Contents.m


 

 Synopsis:

  model = eanders(distrib )

  model = eanders(distrib, options)

  model = eanders(distrib, options, init_model)



 Description:

  This function is an implementation of the Schlesinger's iterative

  algorithm which finds the epsilon-solution of the Generalized 

  Anderson's task using the Kozinec's algorithm [SH10]. 



  The goal of the GAT is find the binary linear classification

  rule (g(x)=sgn(W'*x+b) with minimal probability of 

  misclassification. The conditional probabilities are known to 

  be Gaussians their paramaters belong to a given set of parameters. 

  The true parameters are not known. The linear rule which 

  guarantes the minimimal classification error for the worst 

  possible case (the worst configuration of Gaussains) is 

  sought for. 



 Input:

  distrib [struct] Input set of labeld (1 or 2) Gassians:

   .Mean [dim x ncomp] Mean veactors.

   .Cov  [dim x dim x ncomp] Covariance matrices.

   .y [1 x ncomp] Labels of Gaussian (1 or 2).

 

  options [struct] Determine stopping conditions:

   .tmax [1x1] Maximal number of iterations.

   .err [1x1] Desired classification error; must be 0<err<0.5; 

     (default 0.05).



  init_model [struct] Initial model:

    W1, W2, t.



 Output:

  model [struct] Binary linear classifier:

   .W [dim x 1] Normal vector of the linear rule (hypeplane).

   .b [1x1] Bias of the rule (shift from the origin).

 

   .t [1x1] Number of used iterations.

   .exitflag [1x1] 1 ... solution with desired err was found.

                   0 ... maximal number of iterations exceeded.

                   -1 ... solution does not exist.

   .W1, .W2 Auxciliary vectors; W=W1-W2.



 Example:

  distrib = load('mars');

  model = eanders(distrib,struct('err',0.06'));

  figure; pandr( model, distrib );



 See also 

  ANDRORIG, GANDERS, GGRADANDR, LINCLASS.