Description
Shogun est une boîte à outils d'apprentissage automatique open-source complète conçue pour gérer des méthodes de noyau à grande échelle, avec un accent particulier sur les machines à vecteurs de support (SVM). Elle offre un objet SVM générique qui s'interface avec plusieurs implémentations de SVM à la pointe de la technologie, y compris OCAS, Liblinear, LibSVM, SVMLight, SVMLin et GPDT. Ces SVM peuvent être combinés avec une variété de noyaux, tels que Linéaire, Polynomiale, Gaussienne et Sigmoïde, ainsi que des noyaux de chaîne récents comme Locality Improved, Fischer, TOP, Spectrum et Weighted Degree Kernel avec décalages.
Lire la suite
La boîte à outils est implémentée en C++ et fournit des interfaces pour des langages de programmation populaires comme Matlab, R, Octave et Python. Shogun prend également en charge des noyaux pré-calculés personnalisés et dispose d'un noyau combiné qui peut être construit par une combinaison linéaire pondérée de sous-noyaux. Cette flexibilité permet aux utilisateurs de s'attaquer à des problèmes de classification et de régression à une classe, deux classes et multiclasses.
Shogun inclut des méthodes linéaires comme l'analyse discriminante linéaire (LDA), la machine de programmation linéaire (LPM) et les perceptrons à noyau, ainsi que des algorithmes pour l'entraînement de modèles de Markov cachés. La boîte à outils prend en charge des objets de caractéristiques d'entrée denses, clairsemés et de chaîne, qui peuvent être convertis en différents types de caractéristiques. Des préprocesseurs peuvent être attachés aux objets de caractéristiques pour un prétraitement à la volée.
La boîte à outils est publiée sous la GPL version 3 ou ultérieure et a fait partie d'initiatives comme Google Summer of Code. Elle a été utilisée dans diverses applications, y compris la classification de superfamilles de protéines et la prédiction de sites d'épissage, traitant des ensembles de données avec des millions d'exemples d'entraînement. Shogun est une ressource précieuse pour les chercheurs et les développeurs à la recherche d'un cadre d'apprentissage automatique robuste.
- CatégoriePlateformes de machine learning
- Modèle tarifaireOpen Source
- DéploiementCloud, Auto-hébergé
- PlateformesMatlab, R, Octave, Python
Fonctionnalités principales de Boîte à outils d'apprentissage automatique Shogun
Méthodes de noyau à grande échelle
Prise en charge de plusieurs implémentations de SVM
Interfaces avec Matlab, R, Octave, Python
Noyaux pré-calculés personnalisés
Noyau combiné avec pondération des sous-noyaux
Classification linéaire et multiclass
Prise en charge des problèmes de régression
Open-source sous GPL v3
Comment utiliser Boîte à outils d'apprentissage automatique Shogun ?
Configurer : Configurez le SVM et le noyau souhaités
Utiliser : Implémentez des modèles d'apprentissage automatique
Optimiser : Ajustez les paramètres du noyau pour de meilleures performances
Intégrer : Utilisez avec Matlab, R, Octave ou Python
Cas d'utilisation de Boîte à outils d'apprentissage automatique Shogun
- Classification des protéines
- Prédiction des sites d'épissage
- Épissage alternatif
- Prédiction des promoteurs
- Reconnaissance de chiffres
