Contents.m




 Synopsis:

  model = svm2(data)

  model = svm2(data,options)



 Description:

  This function learns binary Support Vector Machines

  classifier with L2-soft margin. The corresponding quadratic 

  programming task is solved by one of the following 

  algorithms:

    mdm  ... Mitchell-Demyanov-Malozemov (MDM) algorithm.

    imdm ... Improved MDM algorithm (IMDM) (defaut).



  For more info refer to V.Franc: Optimization Algorithms for Kernel 

  Methods. Research report. CTU-CMP-2005-22. CTU FEL Prague. 2005.

  ftp://cmp.felk.cvut.cz/pub/cmp/articles/franc/Franc-PhD.pdf .



 Input:

  data [struct] Training data:

   .X [dim x num_data] Training vectors.

   .y [1 x num_data] Labels must equal 1 and/or 2.



  options [struct] Control parameters:

   .ker [string] Kernel identifier. See 'help kernel'.

   .arg [1 x nargs] Kernel argument(s).

   .C [1x2] Regularization constants for class 1 and 2; 

      if C is [1x1] then the same C is used for both classes.

   .solver [string] Solver to be used: 'mdm', 'imdm' (default).

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

   .tolabs [1x1] Absolute tolerance stopping condition (default 0.0).

   .tolrel [1x1] Relative tolerance stopping condition (default 1e-3).

   .thlb [1x1] Threshold on lower bound (default inf).

   .cache [1x1] #of columns of kernel matrix to be cached (default 1000).

   .verb [1x1] If > 0 then some info is displayed (default 0).



 Output:

  model [struct] Binary SVM classifier:

   .Alpha [nsv x 1] Weights of support vectors.

   .b [1x1] Bias of decision function.

   .sv.X [dim x nsv] Support vectors.

   .sv.inx [1 x nsv] Indices of SVs (model.sv.X = data.X(:,inx)).

   .nsv [int] Number of Support Vectors.

   .kercnt [1x1] Number of kernel evaluations.

   .trnerr [1x1] Classification error on training data.

   .margin [1x1] Margin.

   .options [struct] Copy of used options.

   .cputime [1x1] Used CPU time in seconds (meassured by tic-toc).

   .stat [struct] Statistics about optimization:

     .access [1x1] Number of requested columns of matrix H.

     .t [1x1] Number of iterations.

     .UB [1x1] Upper bound on the optimal value of criterion. 

     .LB [1x1] Lower bound on the optimal value of criterion. 

     .LB_History [1x(t+1)] LB with respect to iteration.

     .UB_History [1x(t+1)] UB with respect to iteration.

     .NA [1x1] Number of non-zero entries in solution.



 Example:

  data = load('riply_trn');

  options = struct('ker','rbf','arg',1,'C',1);

  model = svm2(data,options )

  figure; ppatterns(data); psvm( model );



 See also

  SVMCLASS, SVMLIGHT, SMO, GNPP.
Modifications:
07-sep-2007, VF, now it is possible to use distinct reg. constants for both classes
09-sep-2005, VF
08-aug-2005, VF
24-jan-2005, VF
29-nov-2004, VF