Contents.m




 Synopsis:

  red_model = rspoly2(model)

  red_model = rspoly2(model,max_nsv)



 Description:

  It uses reduced set techique to reduce complexity

  of the kernel expansion with second order homogeneous polynomial 

  kernel k(x,y) = (x'*y)^2 = kernel(x,y,'poly',2) .



  The method was published in 

  J.C.Burges: Simplified Support Vector Decision Rules. ICML, 1996.

  

 Input:

  model [struct] Kernel expansion:

   .Alpha [nsv x 1] Weights of kernel expansion.

   .b [1x1] Bias.

   .sv.X [dim x nsv] Support vectors.

   .options.ker = 'poly'

   .options.arg = [2 0]



  max_nsv [1x1] Maximal number of new support vectors. If not given 

   then the new expansion approximates the original one exactly with

   at most dim support vectors. 



 Output:

  red_model [struct] Reduced kernel expansion:

  red_model.Alpha [new_nsv x 1] New weights.

  red_model.b [scalar] Bias.

  red_model.sv.X [dim x new_nsv] New support vectors.

  ...



 Example:

  trn = load('riply_trn');

  model = smo(trn,struct('ker','poly','arg',[2 0],'C',10));

  red_model = rspoly2( model );

  figure; 

  subplot(1,2,1); axis square; ppatterns(trn); psvm(model);

  subplot(1,2,2); axis square; ppatterns(trn); psvm(red_model);

  

 See also 

  RSRBF.