SVM with mosek for banana

利用Mosek优化工具实现SVM二分类性能，并在公共数据集Banana上实现，直观显示分类结果

% SVMTRAIN - Trains a support vector machine incrementally
%            using the L1 soft margin approach developed by
%            Cauwenberghs for two-class problems.
%
% Syntax: [abginduindX_mery_merRsQ] = svmtrain（XyCtypescale）
%         [abginduindX_mery_merRsQ] = svmtrain（XyCtypescaleuind）
%         （trains a new SVM on the given examples）
%
%         [abginduindX_mery_merRsQ] = svmtrain（XyC）
%         [abginduindX_mery_marRsQ] = svmtrain（XyCuind）
%         （trains the current SVM in memory on the given examples）
%
%      a: alpha coefficients
%      b: bias
%      g: partial derivatives of cost function w.r.t. alpha coefficients
%    ind: cell array containing indices of margin error and reserve vectors
%         ind{1}: indices of margin vectors
%         ind{2}: indices of error vectors
%         ind{3}: indices of reserve vectors
%   uind: column vector of user-defined example indices （used for unlearning specified examples）
%  X_mer: matrix of margin error and reserve vectors stored columnwise
%  y_mer: column vector of class labels （-1/+1） for margin error and reserve vectors
%     Rs: inverse of extended kernel matrix for margin vectors
%      Q: extended kernel matrix for all vectors
%      X: matrix of training vectors stored columnwise
%      y: column vector of class labels （-1/+1） for training vectors
%      C: soft-margin regularization parameter（s）
%         dimensionality of C       assumption
%         1-dimensional vector      universal regularization parameter
%         2-dimensional vector      class-conditional regularization parameters （-1/+1）
%         n-dimensional vector      regularization parameter per example
%         （where n = # of examples）
%   type: kernel type
%           1: linear kernel        K（xy） = x‘*y
%         2-4: polynomial kernel    K（xy） = （scale*x‘*y + 1）^type
%           5: Gaussian kernel with variance 1/（2*scale）
%  scale: kernel scale
%
% Version 3.22e -- Comments to diehl@alumni.cmu.edu
%
clc;
clear;
close all
% function [abginduindXyRsQ] = svmtrain（X_newy_newC_newvarargin）
load banana
x = banana;
N = 200;
X_new = x‘;
y_new=[ones（N1）;-ones（N1）];

%% plot all examples
figure;
T.X = x‘;
T.y = y_new;
ppatterns（T）
% index = [1:100 201:300]
% T.X = x‘;
% T.y = y_new;
% ppatterns（T）

% V1=axis;axis（1.2*V1）
% %获得增加部分样本
index1=find（（x（1:2002）<=0）&（x（1:2001）<=0））;%
in1 = setdiff（1:200index1）;

index2=find（（x（201:4002）<=0）&（x（201:4001）>=-1））;
index2 = index2+N*ones（size（index21）1）;
in2 = setdiff（201:400index2）;

addx1 = x（index1:）;
addx2 = x（index2:）;

addindex = [index1‘index2‘];
 
  in = [in1 in2]‘;
  x_ini = x（in:）;
  y_ini = y_new（in）;
  
  
  
% flags for example state
MARGIN    = 1;
ERROR     = 2;
RESERVE   = 3;
UNLEARNED = 4;

new_model = 1; 
C_new = 2;
uind_new = zeros（size（y_new））;
type_new = 5; 
%           1: linear kernel    

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        7049  2018-09-20 22:58  GY_SVM_Mosek.m
     文件        3399  2018-01-19 10:04  plot_svm2.m
     文件        2635  2018-01-03 23:55  svm_online.m