# load ex6data1.mat
X,y = utils.load_mat('data/ex4data1.mat')
utils.plot_twoclass_data(X,y,'x1', 'x2',['neg','pos'])
plt.savefig('fig1.pdf')
############################################################################
# Part 1: Hinge loss function and gradient #
############################################################################
C = 1
theta = np.zeros((X.shape[1],))
J,grad = linear_svm.svm_loss_twoclass(theta,X,y,C)
print "J = ", J, " grad = ", grad
############################################################################
# Scale the data and set up the SVM training #
############################################################################
# scale the data
scaler = preprocessing.StandardScaler().fit(X)
scaleX = scaler.transform(X)
# add an intercept term and convert y values from [0,1] to [-1,1]
XX = np.array([(1,x1,x2) for (x1,x2) in scaleX])
############################################################################
# load ex6data1.mat
X, y = utils.load_mat('data/ex4data1.mat')
utils.plot_twoclass_data(X, y, 'x1', 'x2', ['neg', 'pos'])
plt.savefig('fig1.pdf')
############################################################################
# Part 1: Hinge loss function and gradient #
############################################################################
C = 1
theta = np.zeros((X.shape[1], ))
J, grad = linear_svm.svm_loss_twoclass(theta, X, y, C)
print "J = ", J, " grad = ", grad
############################################################################
# Scale the data and set up the SVM training #
############################################################################
# scale the data
scaler = preprocessing.StandardScaler().fit(X)
scaleX = scaler.transform(X)
# add an intercept term and convert y values from [0,1] to [-1,1]
XX = np.array([(1, x1, x2) for (x1, x2) in scaleX])
def loss(self, X, y, C): return svm_loss_twoclass(self.theta, X, y, C)
