Contents.m




 Synopsis:

  model = kperceptr(data)

  model = kperceptr(data,options)



 Description:

  This function is an implementation of the kernel version

  of the Perceptron algorithm. The kernel perceptron search 

  for the kernel binary classifier with zero emprical error.



 Input:

  data [struct] Binary labeled training 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.

   .tmax [1x1] Maximal number of iterations (default inf).



 Output:

  model [struct] Found kernel classifer:

   .Alpha [nsv x 1] Multipliers of the training data.

   .b [1x1] Bias of the decision rule.

   .sv.X [dim x nsv] Training data with non-zero Alphas.

   .exitflag [1x1] 1 ... Perceptron has converged.

                   0 ... Maximal number of iterations exceeded.

   .iter [1x1] Number of iterations.

   .kercnt [1x1] Number of kernel evaluations.

   .trnerr [1x1] Training classification error; Note: if exitflag==1 

     then trnerr = 0.

   .options [struct] Copy of options.

   .cputime [real] Used cputime in seconds.

  

  If the linear kernel is used then model.W [dim x 1] contains 

  normal vector of the separating hyperplane.

  

 Example:

  data = load('vltava');

  model = kperceptr(data, struct('ker','poly','arg',2));

  figure; ppatterns(data); pboundary(model);

 

 See also SVMCLASS, SVM.