Shogun (sada nástrojů) - Shogun (toolbox) - Wikipedia
 | Tento článek obsahuje a seznam doporučení, související čtení nebo externí odkazy, ale jeho zdroje zůstávají nejasné, protože mu chybí vložené citace. (červenec 2013) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) |
| Původní autoři | Gunnar Rätsch Soeren Sonnenburg |
|---|---|
| Vývojáři | Soeren Sonnenburg Sergey Lisitsyn Heiko Strathmann Fernando Iglesias Viktor Gal |
| Stabilní uvolnění | 6.0.0 / 25. dubna 2017 |
| Úložiště | github |
| Napsáno | C ++ |
| Operační systém | Cross-platform |
| Typ | Softwarová knihovna |
| Licence | BSD3 s volitelným GNU GPLv3 |
| webová stránka | www |
Shogun je volný, uvolnit, open-source strojové učení softwarová knihovna napsaná v C ++. Nabízí řadu algoritmů a datových struktur pro strojové učení problémy. Nabízí rozhraní pro Oktáva, Krajta, R, Jáva, Lua, Rubín a C# použitím LOK.
Je licencován podle podmínek GNU General Public License verze 3 nebo novější.
Popis
Zaměření Shogun je na strojích s jádrem, jako je podporovat vektorové stroje pro regrese a klasifikace problémy. Shogun také nabízí úplnou implementaci Skryté Markovovy modely.Jádro Shogun je napsán v C ++ a nabízí rozhraní pro MATLAB, Oktáva, Krajta, R, Jáva, Lua, Rubín a C#.Shogun je v aktivním vývoji od roku 1999. Dnes existuje živá komunita uživatelů po celém světě, která používá Shogun jako základna pro výzkum a vzdělávání a příspěvek k základnímu balíčku.
Podporované algoritmy
V současné době Shogun podporuje následující algoritmy:
- Podporujte vektorové stroje
- Algoritmy redukce rozměrů, jako PCA, Kernel PCA, Lokálně lineární vkládání, Hessianské lokálně lineární vkládání, Zarovnání místního tangenciálního prostoru, Zarovnání lineárního místního tečného prostoru, Zarovnání jádra lokálně lineárně, Zarovnání lokálního tangenciálního prostoru, Multidimenzionální škálování, Isomap, Difúzní mapy, Laplaciánské vlastní mapy
- Online výukové algoritmy jako SGD-QN, Vowpal Wabbit
- Algoritmy shlukování: k-means a GMM
- Kernel Ridge Regression, Support Vector Regression
- Skryté Markovovy modely
- K-nejbližší sousedé
- Lineární diskriminační analýza
- Perceptrony jádra.
Je implementováno mnoho různých jader, od jader pro numerická data (jako jsou gaussianská nebo lineární jádra) až po jádra se speciálními daty (například řetězce přes určité abecedy). Aktuálně implementovaná jádra pro numerická data zahrnují:
- lineární
- gaussian
- polynomiální
- sigmoidní jádra
Mezi podporovaná jádra pro speciální data patří:
- Spektrum
- Vážený stupeň
- Vážený stupeň se směnami
Druhá skupina jader umožňuje zpracování libovolných sekvencí přes pevné abecedy, jako je DNA sekvence stejně jako celé e-mailové texty.
Speciální funkce
Tak jako Shogun byl vyvinut s bioinformatika vzhledem k tomu, že je schopen zpracovat obrovské datové sady skládající se až z 10 milionů vzorků.Shogun podporuje použití předem vypočítaných jader. Je také možné použít kombinované jádro, tj. Jádro skládající se z lineární kombinace libovolných jader v různých doménách. Lze se naučit také koeficienty nebo váhy lineární kombinace. Pro tento účel Shogun nabízí učení více jader funkčnost.
Reference
- S. Sonnenburg, G. Rätsch, S. Henschel, C. Widmer, J. Behr, A. Zien, F. De Bona, A. Binder, C. Gehl a V. Franc: Sada nástrojů strojového učení SHOGUN, Journal of Machine Learning Research, 11: 1799-1802, 11. června 2010.
- M. Gashler. Vafle: Sada nástrojů pro strojové učení. Journal of Machine Learning Research, 12 (July): 2383–2387, 2011.
- P. Vincent, Y. Bengio, N. Chapados a O. Delalleau. Naučte se vysoce výkonnou knihovnu strojového učení. URL http://plearn.berlios.de/.