Beschreibung
Shogun ist ein umfassendes Open-Source-Maschinenlernwerkzeug, das entwickelt wurde, um großangelegte Kernelmethoden zu handhaben, mit besonderem Schwerpunkt auf Support Vector Machines (SVM). Es bietet ein generisches SVM-Objekt, das mit mehreren hochmodernen SVM-Implementierungen wie OCAS, Liblinear, LibSVM, SVMLight, SVMLin und GPDT interagiert. Diese SVMs können mit einer Vielzahl von Kernen kombiniert werden, wie Linear, Polynomial, Gaussian und Sigmoid, sowie mit aktuellen String-Kernen wie Locality Improved, Fischer, TOP, Spectrum und Weighted Degree Kernel mit Verschiebungen.
Weiterlesen
Das Werkzeug ist in C++ implementiert und bietet Schnittstellen zu beliebten Programmiersprachen wie Matlab, R, Octave und Python. Shogun unterstützt auch benutzerdefinierte vorab berechnete Kerne und verfügt über einen kombinierten Kern, der durch eine gewichtete lineare Kombination von Sub-Kernen konstruiert werden kann. Diese Flexibilität ermöglicht es den Benutzern, Ein-Klassen-, Zwei-Klassen- und Mehrklassenklassifikations- und Regressionsprobleme zu bewältigen.
Shogun umfasst lineare Methoden wie die Lineare Diskriminanzanalyse (LDA), die Lineare Programmiermaschine (LPM) und Kernel-Perzeptrons sowie Algorithmen zum Trainieren versteckter Markov-Modelle. Das Werkzeug unterstützt dichte, spärliche und String-Eingangsmerkmale, die in verschiedene Merkmalsarten umgewandelt werden können. Vorverarbeiter können an Merkmalsobjekte für eine sofortige Vorverarbeitung angehängt werden.
Das Werkzeug wird unter der GPL-Version 3 oder höher veröffentlicht und war Teil von Initiativen wie Google Summer of Code. Es wurde in verschiedenen Anwendungen eingesetzt, darunter die Klassifikation von Proteinfamilien und die Vorhersage von Spleißstellen, und kann Datensätze mit Millionen von Trainingsbeispielen verarbeiten. Shogun ist eine wertvolle Ressource für Forscher und Entwickler, die nach einem robusten Maschinenlernrahmen suchen.
- KategorieMachine-Learning-Plattformen
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenMatlab, R, Octave, Python
Shogun Machine Learning Toolbox's Kernfunktionen
Großangelegte Kernelmethoden
Unterstützung für mehrere SVM-Implementierungen
Schnittstellen zu Matlab, R, Octave, Python
Benutzerdefinierte vorab berechnete Kerne
Kombinierter Kern mit Sub-Kern-Gewichtung
Lineare und Mehrklassenklassifikation
Unterstützung für Regressionsprobleme
Open Source unter GPL v3
Wie verwendet man Shogun Machine Learning Toolbox?
Konfigurieren: Richten Sie das gewünschte SVM und den Kern ein
Verwenden: Implementieren Sie Maschinenlernmodelle
Optimieren: Passen Sie die Kernparameter für bessere Leistung an
Integrieren: Verwenden Sie mit Matlab, R, Octave oder Python
Shogun Machine Learning Toolbox's Anwendungsfälle
- Protein-Klassifikation
- Spleißstellen-Vorhersage
- Alternative Spleißung
- Promotor-Vorhersage
- Ziffernerkennung
