Contents.m




 Synopsis:

  model = kfd( data )

  model = kfd( data, options )



 Description:

  This function is an implementation of the Kernel Fisher

  Discriminant (KFD) [Mika99a]. The aim is to find a binary 

  kernel classifier which is the linear decision function in a 

  feature space induced by the selected kernel function. 

  The bias is found decision function is trainined by the 

  linear SVM on the data projected on the optimal direction.



 Input:

  data [struct] Training binary labeled data:

   .X [dim x num_data] Vectors.

   .y [1 x num_data] Labels (1 or 2).



  options [struct] Control parameters:

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

     See 'help kernel' for more info.

   .arg [1 x nargs] Kernel argument(s).

   .C [1x1] Regularization constant of the linear 1-D SVM 

     used to optimize the bias (default C=inf).

   .mu [1x1] Regularization constant added to the diagonal of 

     the within scatter matrix (default 1e-4).

 

 Output:

  model [struct] Binary SVM classifier:

   .Alpha [num_data x 1] Weight vector.

   .b [1x1] Bias of decision function.

   .sv.X [dim x num_data] Training data (support vectors).



   .trnerr [1x1] Training classification error.

   .kercnt [1x1] Number of kernel evaluations used during training.

   .nsv [1x1] Number of support vectors.

   .options [struct] Copy of options.

   .cputime [1x1] Used cputime.



 Example:

  trn = load('riply_trn');

  options = struct('ker','rbf','arg',1,'C',10,'mu',0.001);

  model = kfd(trn, options)

  figure; ppatterns(trn); psvm(model);



 See also 

  SVMCLASS, FLD, SVM.