Contents.m


 


 Synopsis:

  model = gda(data)


  model = gda(data,options)


 


 Description:

  This function is implimentation of the Generalized Discriminant


  Analysis (GDA) [Baudat01]. The GDA is kernelized version of


  the Linear Discriminant Analysis (LDA). It produce the kernel data


  projection which increases class separability of the projected 


  training data.





 Input:

  data [struct] Labeled training data:


   .X [dim x num_data] Training vectors.


   .y [1 x num_data] Labels (1,2,..,mclass).


  


  options [struct] Defines kernel and a output dimension:


   .ker [string] Kernel identifier (default 'linear'); 


     see 'help kernel' for more info.


   .arg [1 x nargs] Kernel arguments (default 1).


   .new_dim [1x1] Output dimension (default dim).





 Output:

  model [struct] Kernel projection:


   .Alpha [num_data x new_dim] Multipliers.


   .b [new_dim x 1] Bias.


   .sv.X [dim x num_data] Training data.


   .options [struct] Copy of used options.


   .rankK [int] Rank of centered kernel matrix.


   .nsv [int] Number of training data.





 Example:

  in_data = load('iris');


  model = gda(in_data,struct('ker','rbf','arg',1));


  out_data = kernelproj( in_data, model );


  figure; ppatterns( out_data );





 See also 


  KERNELPROJ, KPCA.