Contents.m




 Synopsis:

  model = smo( data )

  model = smo( data, options )

  model = smo( data, options, init_model)



 Description:

  This function is implementation of the Sequential Minimal 

  Optimizer (SMO) [Platt98] to train the binary Support Vector 

  Machines Classifier with L1-soft margin.

           

 Input:

  data [struct] Binary labeled training vectors:

   .X [dim x num_data] Training vectors.

   .y [a 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) (default 1).

   .C Regularization constant (default C=inf). The constant C can 

     be given as:

      C [1x1] .. for all data.

      C [1x2] .. for each class separately C=[C1,C2].

      C [1xnum_data] .. for each training vector separately.

   .eps [1x1] SMO paramater (default 0.001).

   .tol [1x1] Tolerance of KKT-conditions (default 0.001).

  

  init_model [struct] Specifies initial model:

   .Alpha [num_data x 1] Initial model. 

   .b [1x1] Bias.

  If not given then it is set to zero by default.



 Output:

  model [struct] Binary SVM classifier:

   .Alpha [nsv x 1] Weights (Lagrangians).

   .b [1x1] Bias.

   .sv.X [dim x nsv] Support vectors.

   .nsv [1x1] Number of Support Vectors.

   .kercnt [1x1] Number of kernel evaluations used by SMO.

   .trnerr [1x1] Training classification error.

   .margin [1x1] Margin of the found classifier.

   .cputime [1x1] Used CPU time in seconds.

   .options [struct] Copy of used options.



 Example:

  trn = load('riply_trn');  

  model = smo(trn,struct('ker','rbf','C',10,'arg',1));

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

  tst = load('riply_tst');

  ypred = svmclass( tst.X, model );

  cerror( ypred, tst.y )



 See also 

  SVMCLASS, SVMLIGHT, SVMQUADPROG.