Deskripsi
Shogun adalah toolbox pembelajaran mesin sumber terbuka yang komprehensif dirancang untuk menangani metode kernel skala besar, dengan penekanan khusus pada Support Vector Machines (SVM). Ini menawarkan objek SVM generik yang berinteraksi dengan beberapa implementasi SVM mutakhir, termasuk OCAS, Liblinear, LibSVM, SVMLight, SVMLin, dan GPDT. SVM ini dapat digabungkan dengan berbagai kernel, seperti Linear, Polynomial, Gaussian, dan Sigmoid, serta kernel string terbaru seperti Locality Improved, Fischer, TOP, Spectrum, dan Weighted Degree Kernel dengan pergeseran.
Baca Selengkapnya
Toolbox ini diimplementasikan dalam C++ dan menyediakan antarmuka untuk bahasa pemrograman populer seperti Matlab, R, Octave, dan Python. Shogun juga mendukung kernel yang telah dihitung sebelumnya dan memiliki kernel gabungan yang dapat dibangun melalui kombinasi linier berbobot dari sub-kernel. Fleksibilitas ini memungkinkan pengguna untuk menangani masalah klasifikasi satu kelas, dua kelas, dan multiclass serta masalah regresi.
Shogun mencakup metode linier seperti Linear Discriminant Analysis (LDA), Linear Programming Machine (LPM), dan Kernel Perceptrons, serta algoritma untuk melatih model Markov tersembunyi. Toolbox ini mendukung objek fitur input yang padat, jarang, dan string, yang dapat diubah menjadi berbagai jenis fitur. Preprocessor dapat dilampirkan pada objek fitur untuk pemrosesan di tempat.
Toolbox ini dirilis di bawah GPL versi 3 atau lebih baru dan telah menjadi bagian dari inisiatif seperti Google Summer of Code. Ini telah digunakan dalam berbagai aplikasi, termasuk klasifikasi superkeluarga protein dan prediksi situs splice, menangani dataset dengan jutaan contoh pelatihan. Shogun adalah sumber daya yang berharga bagi peneliti dan pengembang yang mencari kerangka kerja pembelajaran mesin yang kuat.
- KategoriPlatform Machine Learning
- Model HargaSumber Terbuka
- PenerapanCloud, Di-host sendiri
- PlatformMatlab, R, Octave, Python
Fitur Inti Shogun Machine Learning Toolbox
Metode kernel skala besar
Dukungan untuk berbagai implementasi SVM
Antarmuka dengan Matlab, R, Octave, Python
Kernel yang telah dihitung sebelumnya
Kernel gabungan dengan pembobotan sub-kernel
Klasifikasi linier dan multiclass
Dukungan untuk masalah regresi
Sumber terbuka di bawah GPL v3
Cara menggunakan Shogun Machine Learning Toolbox?
Konfigurasi: Siapkan SVM dan kernel yang diinginkan
Gunakan: Terapkan model pembelajaran mesin
Optimalkan: Sesuaikan parameter kernel untuk kinerja yang lebih baik
Integrasikan: Gunakan dengan Matlab, R, Octave, atau Python
Kasus Penggunaan Shogun Machine Learning Toolbox
- Klasifikasi Protein
- Prediksi Situs Splice
- Splicing Alternatif
- Prediksi Promotor
- Pengenalan Digit
