Descripción
Shogun es una caja de herramientas de aprendizaje automático de código abierto diseñada para manejar métodos de núcleo a gran escala, con un énfasis particular en las Máquinas de Vectores de Soporte (SVM). Ofrece un objeto SVM genérico que se conecta con varias implementaciones de SVM de última generación, incluyendo OCAS, Liblinear, LibSVM, SVMLight, SVMLin y GPDT. Estas SVM se pueden combinar con una variedad de núcleos, como Lineal, Polinómico, Gaussiano y Sigmoide, así como núcleos de cadena recientes como Locality Improved, Fischer, TOP, Spectrum y Weighted Degree Kernel con desplazamientos.
Leer más
La caja de herramientas está implementada en C++ y proporciona interfaces a lenguajes de programación populares como Matlab, R, Octave y Python. Shogun también admite núcleos precomputados personalizados y presenta un núcleo combinado que se puede construir mediante una combinación lineal ponderada de sub-núcleos. Esta flexibilidad permite a los usuarios abordar problemas de clasificación y regresión de una clase, dos clases y multiclasificación.
Shogun incluye métodos lineales como Análisis Discriminante Lineal (LDA), Máquina de Programación Lineal (LPM) y Perceptrones de Núcleo, así como algoritmos para entrenar modelos ocultos de Markov. La caja de herramientas admite objetos de características de entrada densos, dispersos y de cadena, que se pueden convertir en diferentes tipos de características. Se pueden adjuntar preprocesadores a los objetos de características para el preprocesamiento sobre la marcha.
La caja de herramientas se publica bajo la GPL versión 3 o posterior y ha sido parte de iniciativas como Google Summer of Code. Se ha utilizado en diversas aplicaciones, incluyendo la clasificación de superfamilias de proteínas y la predicción de sitios de empalme, manejando conjuntos de datos con millones de ejemplos de entrenamiento. Shogun es un recurso valioso para investigadores y desarrolladores que buscan un marco de aprendizaje automático robusto.
- CategoríaPlataformas de aprendizaje automático
- Modelo de preciosCódigo abierto
- ImplementaciónNube, Autoalojado
- PlataformasMatlab, R, Octave, Python
Características principales de Shogun Machine Learning Toolbox
Métodos de núcleo a gran escala
Soporte para múltiples implementaciones de SVM
Interfaces con Matlab, R, Octave, Python
Núcleos precomputados personalizados
Núcleo combinado con ponderación de sub-núcleos
Clasificación lineal y multiclasificación
Soporte para problemas de regresión
Código abierto bajo GPL v3
¿Cómo usar Shogun Machine Learning Toolbox?
Configurar: Establecer la SVM y el núcleo deseados
Usar: Implementar modelos de aprendizaje automático
Optimizar: Ajustar los parámetros del núcleo para un mejor rendimiento
Integrar: Usar con Matlab, R, Octave o Python
Casos de uso de Shogun Machine Learning Toolbox
- Clasificación de Proteínas
- Predicción de Sitios de Empalme
- Empalme Alternativo
- Predicción de Promotores
- Reconocimiento de Dígitos
