supermarket1996

datasets

Implements the SVM-Maj algorithm to train data with support vector machine
<doi:10.1007/s11634-008-0020-9>.
This algorithm uses two efficient updates, one for linear kernel and one
for the nonlinear kernel.

Hok San Yip

SVMMaj

Implementation of the SVM-Maj Algorithm

Hoksan Yip

Georgi Nalbantov

supermarket1996 function

This dataframe contains the following columns<dl>
 <dt>STORE</dt>
<dd>Identifier of the store</dd> <dt>CITY</dt>
<dd>The city of the store</dd> <dt>ZIP</dt>
<dd>The zip code of the store</dd> <dt>GROCERY_sum</dt>
<dd></dd> <dt>GROCCOUP_sum</dt>
<dd></dd> <dt>AGE9</dt>
<dd></dd> <dt>AGE60</dt>
<dd></dd> <dt>ETHNIC</dt>
<dd></dd> <dt>EDUC</dt>
<dd></dd> <dt>NOCAR</dt>
<dd></dd> <dt>INCOME</dt>
<dd></dd> <dt>INCSIGMA</dt>
<dd></dd> <dt>HSIZEAVG</dt>
<dd></dd> <dt>HSIZE1</dt>
<dd></dd> <dt>HSIZE2</dt>
<dd></dd> <dt>HSIZE34</dt>
<dd></dd> <dt>HSIZE567</dt>
<dd></dd> <dt>HH3PLUS</dt>
<dd></dd> <dt>HH4PLUS</dt>
<dd></dd> <dt>HHSINGLE</dt>
<dd></dd> <dt>HHLARGE</dt>
<dd></dd> <dt>WORKWOM</dt>
<dd></dd> <dt>SINHOUSE</dt>
<dd></dd> <dt>DENSITY</dt>
<dd></dd> <dt>HVAL150</dt>
<dd></dd> <dt>HVAL200</dt>
<dd></dd> <dt>HVALMEAN</dt>
<dd></dd> <dt>SINGLE</dt>
<dd></dd> <dt>RETIRED</dt>
<dd></dd> <dt>UNEMP</dt>
<dd></dd> <dt>WRKCH5</dt>
<dd></dd> <dt>WRKCH17</dt>
<dd></dd> <dt>NWRKCH5</dt>
<dd></dd> <dt>NWRKCH17</dt>
<dd></dd> <dt>WRKCH</dt>
<dd></dd> <dt>NWRKCH</dt>
<dd></dd> <dt>WRKWCH</dt>
<dd></dd> <dt>WRKWNCH</dt>
<dd></dd> <dt>TELEPHN</dt>
<dd></dd> <dt>MORTGAGE</dt>
<dd></dd> <dt>NWHITE</dt>
<dd></dd> <dt>POVERTY</dt>
<dd></dd> <dt>SHPCONS</dt>
<dd></dd> <dt>SHPHURR</dt>
<dd></dd> <dt>SHPAVID</dt>
<dd></dd> <dt>SHPKSTR</dt>
<dd></dd> <dt>SHPUNFT</dt>
<dd></dd> <dt>SHPBIRD</dt>
<dd></dd> <dt>SHOPINDX</dt>
<dd></dd> <dt>SHPINDX</dt>
<dd></dd>
</dl>

Format

Supermarket data 1996 — supermarket1996

This dataframe contains the following columns<dl>
 <dt>STORE</dt>
<dd>Identifier of the store</dd>

 <dt>CITY</dt>
<dd>The city of the store</dd>

 <dt>ZIP</dt>
<dd>The zip code of the store</dd>

 <dt>GROCERY_sum</dt>
<dd></dd>

 <dt>GROCCOUP_sum</dt>
<dd></dd>

 <dt>AGE9</dt>
<dd></dd>

 <dt>AGE60</dt>
<dd></dd>

 <dt>ETHNIC</dt>
<dd></dd>

 <dt>EDUC</dt>
<dd></dd>

 <dt>NOCAR</dt>
<dd></dd>

 <dt>INCOME</dt>
<dd></dd>

 <dt>INCSIGMA</dt>
<dd></dd>

 <dt>HSIZEAVG</dt>
<dd></dd>

 <dt>HSIZE1</dt>
<dd></dd>

 <dt>HSIZE2</dt>
<dd></dd>

 <dt>HSIZE34</dt>
<dd></dd>

 <dt>HSIZE567</dt>
<dd></dd>

 <dt>HH3PLUS</dt>
<dd></dd>

 <dt>HH4PLUS</dt>
<dd></dd>

 <dt>HHSINGLE</dt>
<dd></dd>

 <dt>HHLARGE</dt>
<dd></dd>

 <dt>WORKWOM</dt>
<dd></dd>

 <dt>SINHOUSE</dt>
<dd></dd>

 <dt>DENSITY</dt>
<dd></dd>

 <dt>HVAL150</dt>
<dd></dd>

 <dt>HVAL200</dt>
<dd></dd>

 <dt>HVALMEAN</dt>
<dd></dd>

 <dt>SINGLE</dt>
<dd></dd>

 <dt>RETIRED</dt>
<dd></dd>

 <dt>UNEMP</dt>
<dd></dd>

 <dt>WRKCH5</dt>
<dd></dd>

 <dt>WRKCH17</dt>
<dd></dd>

 <dt>NWRKCH5</dt>
<dd></dd>

 <dt>NWRKCH17</dt>
<dd></dd>

 <dt>WRKCH</dt>
<dd></dd>

 <dt>NWRKCH</dt>
<dd></dd>

 <dt>WRKWCH</dt>
<dd></dd>

 <dt>WRKWNCH</dt>
<dd></dd>

 <dt>TELEPHN</dt>
<dd></dd>

 <dt>MORTGAGE</dt>
<dd></dd>

 <dt>NWHITE</dt>
<dd></dd>

 <dt>POVERTY</dt>
<dd></dd>

 <dt>SHPCONS</dt>
<dd></dd>

 <dt>SHPHURR</dt>
<dd></dd>

 <dt>SHPAVID</dt>
<dd></dd>

 <dt>SHPKSTR</dt>
<dd></dd>

 <dt>SHPUNFT</dt>
<dd></dd>

 <dt>SHPBIRD</dt>
<dd></dd>

 <dt>SHOPINDX</dt>
<dd></dd>

 <dt>SHPINDX</dt>
<dd></dd>


</dl>

supermarket1996: Supermarket data 1996

Description

Arguments

Format

Examples