Descrição
Shogun é uma caixa de ferramentas de aprendizado de máquina de código aberto abrangente, projetada para lidar com métodos de kernel em larga escala, com ênfase particular em Máquinas de Vetores de Suporte (SVM). Ela oferece um objeto SVM genérico que se conecta a várias implementações de SVM de ponta, incluindo OCAS, Liblinear, LibSVM, SVMLight, SVMLin e GPDT. Essas SVMs podem ser combinadas com uma variedade de kernels, como Linear, Polinomial, Gaussiano e Sigmoide, além de kernels de string recentes como Locality Improved, Fischer, TOP, Spectrum e Weighted Degree Kernel com deslocamentos.
Ler mais
A caixa de ferramentas é implementada em C++ e fornece interfaces para linguagens de programação populares como Matlab, R, Octave e Python. Shogun também suporta kernels pré-computados personalizados e apresenta um kernel combinado que pode ser construído por uma combinação linear ponderada de sub-kernels. Essa flexibilidade permite que os usuários enfrentem problemas de classificação e regressão de uma classe, duas classes e multiclasses.
Shogun inclui métodos lineares como Análise Discriminante Linear (LDA), Máquina de Programação Linear (LPM) e Perceptrons de Kernel, além de algoritmos para treinar modelos ocultos de Markov. A caixa de ferramentas suporta objetos de características de entrada densos, esparsos e de string, que podem ser convertidos em diferentes tipos de características. Pré-processadores podem ser anexados a objetos de características para pré-processamento em tempo real.
A caixa de ferramentas é lançada sob a GPL versão 3 ou posterior e tem sido parte de iniciativas como o Google Summer of Code. Ela tem sido utilizada em várias aplicações, incluindo classificação de superfamílias de proteínas e previsão de locais de splicing, lidando com conjuntos de dados com milhões de exemplos de treinamento. Shogun é um recurso valioso para pesquisadores e desenvolvedores que buscam uma estrutura robusta de aprendizado de máquina.
- CategoriaPlataformas de machine learning
- Modelo de preçosCódigo Aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasMatlab, R, Octave, Python
Recursos principais de Shogun Machine Learning Toolbox
Métodos de kernel em larga escala
Suporte para múltiplas implementações de SVM
Interfaces com Matlab, R, Octave, Python
Kernels pré-computados personalizados
Kernel combinado com ponderação de sub-kernel
Classificação linear e multiclass
Suporte a problemas de regressão
Código aberto sob GPL v3
Como usar Shogun Machine Learning Toolbox?
Configurar: Configure o SVM e o kernel desejados
Usar: Implemente modelos de aprendizado de máquina
Otimizar: Ajuste os parâmetros do kernel para melhor desempenho
Integrar: Use com Matlab, R, Octave ou Python
Casos de uso de Shogun Machine Learning Toolbox
- Classificação de Proteínas
- Previsão de Locais de Splicing
- Splicing Alternativo
- Previsão de Promotores
- Reconhecimento de Dígitos
