Contents.m




 Synopsis:

  model = svm1d( data )

  model = svm1d( data, options )



 Description:

  model = svm1d( data ) trains the linear SVM binary

    classifier for the 1-dimensional training data.

    The optimizer is based on a modification of the 

    Sequential Minimal Optimizer (SMO) [Platt98]. 

    The trainined classfier is defined as

      q(x) = 1 if W*x + b >= 0

           = 2 if W*x + b < 0



  model = svm1d( data, options ) use to set up control

    parameters for the SVM and the SMO algorithm.



 Input:

  data [struct] Input 1-dimensional binary labeled training data:

   .X [1 x num_data] Training numbers.

   .y [1 x num_data] Labels (1 or 2).

  

  options [struct] Control parameters:

   .C [1x1] SVM regularization constant (default C=inf). 

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

   .tol [1x1] Minimal change of variables (default tol=0.001).



 Output:

  model [struct] Found SVM model:

   .Alpha [nsv x 1] Weights.

   .b [1x1] Bias of decision function.

   .sv.X [1 x nsv] Support vectors.

   .W [1x1] Explicit value of the normal vector (scalar).



   .nsv [1x1] Number of Support Vectors.

   .kercnt [1x1] Number of kernel evaluations (multiplications 

     in this 1-d linear case) used by the SMO.

   .trnerr [1x1] Training classification error.

   .margin [1x1] Margin of found classifier.

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

   .options [struct] Copy of used options.



 See also 

  SMO, SVMCLASS, KFD, KFDQP.