描述
Shogun 是一个全面的开源机器学习工具箱，旨在处理大规模核方法，特别强调支持向量机（SVM）。它提供了一个通用的 SVM 对象，可以与多种最先进的 SVM 实现接口，包括 OCAS、Liblinear、LibSVM、SVMLight、SVMLin 和 GPDT。这些 SVM 可以与多种核结合使用，如线性、Polynomial、高斯和 Sigmoid，以及最近的字符串核，如局部改进、Fischer、TOP、Spectrum 和带移位的加权度核。
阅读更多
该工具箱使用 C++ 实现，并提供与 Matlab、R、Octave 和 Python 等流行编程语言的接口。Shogun 还支持自定义预计算核，并具有可以通过子核的加权线性组合构建的组合核。这种灵活性使用户能够处理单类、双类和多类分类及回归问题。
Shogun 包括线性方法，如线性判别分析（LDA）、线性规划机（LPM）和核感知机，以及用于训练隐马尔可夫模型的算法。该工具箱支持密集、稀疏和字符串输入特征对象，这些对象可以转换为不同的特征类型。预处理器可以附加到特征对象上，以便进行实时预处理。
该工具箱根据 GPL 版本 3 或更高版本发布，并且是 Google 夏季代码等计划的一部分。它已在各种应用中使用，包括蛋白质超家族分类和剪接位点预测，处理数百万个训练示例的数据集。Shogun 是研究人员和开发人员寻找强大机器学习框架的宝贵资源。
- 类别机器学习平台
- 定价模式开源
- 部署云端, 自托管
- 平台Matlab, R, Octave, Python
Shogun 机器学习工具箱的核心功能
大规模核方法
支持多种 SVM 实现
与 Matlab、R、Octave、Python 接口
自定义预计算核
带子核加权的组合核
线性和多类分类
回归问题支持
根据 GPL v3 开源
如何使用 Shogun 机器学习工具箱？
配置：设置所需的 SVM 和核
使用：实现机器学习模型
优化：调整核参数以获得更好的性能
集成：与 Matlab、R、Octave 或 Python 一起使用
Shogun 机器学习工具箱的使用案例
- 蛋白质分类
- 剪接位点预测
- 可变剪接
- 启动子预测
- 数字识别
