Shogun Una caja de herramientas de aprendizaje de máquina a gran escala
Descargar ahora

Shogun Clasificación y resumen

Shogun Etiquetas

aprender kit de herramientas caja de herramientas Caja de herramientas de aprendizaje máquina de herramientas de máquina kit de herramientas de aprendizaje

Shogun Descripción

Una caja de herramientas de aprendizaje de máquina a gran escala. El enfoque de la caja de herramientas de aprendizaje de la máquina está en métodos de kernel a gran escala y especialmente en máquinas de soporte vectoriales (SVM). Proporciona un objeto SVM genérico que se conecta a varias implementaciones de SVM diferentes, entre ellas el estado de la técnica Libsvm, Svmlight, SVMLI y GPDT. Cada uno de los SVM se puede combinar con una variedad de núcleos. La caja de herramientas no solo proporciona implementaciones eficientes de los núcleos más comunes, como el kernel lineal, polinomial, gaussiano y sigmoideo, sino que también viene con una serie de kernels de cadena recientes como por ejemplo. La localidad mejoró, Fischer, Top, Spectrum, kernel de grado ponderado (con turnos). Para este último se implementan las eficientes optimizaciones de LINADD. También Shogun ofrece la libertad de trabajar con kernels personalizados personalizados. Una de sus características clave es el kernel combinado que se puede construir mediante una combinación lineal ponderada de una serie de sub-kernels, cada uno de los cuales no necesariamente funciona en el mismo dominio. Se puede aprender una ponderación óptima del subroquilo utilizando múltiples aprendizaje de kernel. En la actualidad, se pueden tratar la clasificación y los problemas de regresión de la clase SVM. Sin embargo, Shogun también implementa una serie de métodos lineales como la máquina de programación lineal (LPM), el análisis de discriminantes lineales (LDA), (Kernel) perceptrones y presenta algoritmos para entrenar modelos ocultos de Markov. La función de entrada, los objetos pueden ser densos, escasos o cuerdas y de tipo int / corto / doble / char y se puede convertir en diferentes tipos de características. Las cadenas de preprocesadores (por ejemplo, la sustracción de la media) se pueden unir a cada objeto de característica que permite el preprocesamiento en la marcha. ¿Qué hay de nuevo en este lanzamiento: · Reemplace los tipos de datos autodefinidos y ambiguos para Char / INT / FLOAT, etc. Por tipos 'estandarizados'. · Método Clasificar () en WDSVMOCAS ahora tiene un valor predeterminado para su argumento. · Se eliminaron algunas salidas de depuración de STDERR. · Testsuite ahora cubre subsvms en MulticlassSVM, las interfaces estáticas ahora admiten comandos get_num_svms y get_svm para multiclasssvms. · Fix para matrices / vectores contiguos en la interfaz de Python Modular. · Asignación impropia fija de etiquetas en constructor de WDSVMOCAS que conduce a SEGFAULTS en la interfaz modular de destrucción en (Python). · Se corrigió una oportunidad SEGFAULT en MULTICLASSSVM.

Shogun Software relacionado