Сёгун (ящик для инструментов)

Набор инструментов машинного обучения Shogun
Сёгун Mac OS
Оригинальный автор(ы)	Гуннар Ретч ; Сорен Зонненбург
Разработчик(и)	Сорен Зонненбург ; Sergey Lisitsyn ; Хайко Стратманн ; Фернандо Иглесиас ; Виктор Галь
Стабильная версия	6.0.0 / 25 апреля 2017 г.
Репозиторий	github .с /shogun-toolbox /сёгун
Написано в	С++
Операционная система	Кросс-платформенный
Тип	Библиотека программного обеспечения
Лицензия	BSD3 с дополнительной GNU GPLv3
Веб-сайт	www .shogun-toolbox .org

Shogun — бесплатная написанная с открытым исходным кодом, библиотека программного обеспечения для машинного обучения на C++ . Он предлагает множество алгоритмов и структур данных для машинного обучения задач . Он предлагает интерфейсы для Octave , Python , R , Java , Lua , Ruby и C# с использованием SWIG .

Он лицензируется на условиях GNU General Public License версии 3 или более поздней.

Описание [ править ]

Основное внимание в Shogun уделяется машинам с ядром, таким как машины опорных векторов, для решения задач регрессии и классификации . Shogun также предлагает полную реализацию скрытых марковских моделей .Ядро Shogun написано на C++ и предлагает интерфейсы для MATLAB , Octave , Python , R , Java , Lua , Ruby и C# . Shogun находится в активной разработке с 1999 года. Сегодня во всем мире существует активное сообщество пользователей, использующее Shogun в качестве базы для исследований и образования и вносящего свой вклад в основной пакет. ^{[ нужна ссылка ]}

Поддерживаемые алгоритмы [ править ]

На данный момент Shogun поддерживает следующие алгоритмы:

Машины опорных векторов
Алгоритмы уменьшения размерности, такие как PCA, PCA ядра, локально линейное встраивание, гессианское локально линейное вложение, выравнивание локального касательного пространства, линейное выравнивание локального касательного пространства, локально линейное встраивание ядра, выравнивание локального касательного пространства ядра, многомерное масштабирование, Isomap, диффузионные карты, Собственные карты Лапласа
Алгоритмы онлайн-обучения, такие как SGD-QN, Vowpal Wabbit.
Алгоритмы кластеризации: k-средние и GMM
Регрессия гребня ядра, регрессия опорных векторов
Скрытые марковские модели
K-Ближайшие соседи
Линейный дискриминантный анализ
Ядерные перцептроны.

Реализовано множество различных ядер: от ядер для числовых данных (таких как гауссовы или линейные ядра) до ядер для специальных данных (например, строк в определенных алфавитах). В настоящее время реализованные ядра для числовых данных включают:

линейный
гауссовский
полиномиальный
сигмовидные ядра

Поддерживаемые ядра для специальных данных включают:

Спектр
Взвешенная степень
Взвешенная степень со сдвигами

Последняя группа ядер позволяет обрабатывать произвольные последовательности в фиксированных алфавитах, такие как последовательности ДНК, а также целые тексты электронных писем.

Особые возможности [ править ]

Поскольку Shogun был разработан с учетом приложений биоинформатики , он способен обрабатывать огромные наборы данных, содержащие до 10 миллионов образцов. Shogun поддерживает использование предварительно рассчитанных ядер. Также возможно использовать комбинированное ядро, т.е. ядро, состоящее из линейной комбинации произвольных ядер в разных областях. Также можно узнать коэффициенты или веса линейной комбинации. Для этой цели Shogun предлагает несколько функций обучения ядра . ^{[ нужна ссылка ]}

Ссылки [ править ]

С. Зонненбург, Г. Ретч, С. Хеншель, К. Видмер, Й. Бер, А. Зиен, Ф. Де Бона, А. Биндер, К. Гель и В. Франк: Набор инструментов машинного обучения SHOGUN , Journal of Machine Learning Research , 11:1799–1802, 11 июня 2010 г.
М. Гашлер. Вафли: набор инструментов машинного обучения. Журнал исследований машинного обучения, 12 (июль): 2383–2387, 2011 г.
П. Винсент, Ю. Бенджио, Н. Чападос и О. Делалло. Изучите высокопроизводительную библиотеку машинного обучения. URL http://plearn.berlios.de/ .

Внешние ссылки [ править ]