Shogun uma caixa de ferramentas de aprendizagem de máquina de grande escala
Baixe Agora

Shogun Classificação e resumo

Shogun Tag

aprender conjunto de ferramentas Caixa de ferramentas Aprendendo a caixa de ferramentas Caixa de ferramentas da máquina. Aprendendo Toolkit

Shogun Descrição

Uma caixa de ferramentas de aprendizagem de máquina de grande escala O foco da caixa de ferramentas de aprendizagem da máquina está em métodos de kernel em larga escala e, especialmente, em máquinas de vetor de suporte (SVM). Ele fornece um objeto SVM genérico que interdava várias diferentes implementações de SVM, entre elas o estado da arte libsvm, svmlight, svmli e gpdt. Cada um dos SVMs pode ser combinado com uma variedade de kernels. A caixa de ferramentas não apenas fornece implementações eficientes dos kernels mais comuns, como o kernel linear, polinomial, gaussiano e sigmoide, mas também vem com um número de kernels recentes como e. A localidade melhorou, Fischer, top, espectro, kernel de grau ponderado (com turnos). Para os últimos, as otimizações eficientes do LINADD são implementadas. Também Shogun oferece a liberdade de trabalhar com kernels pré-computados personalizados. Uma de suas principais características é o kernel combinado que pode ser construído por uma combinação linear ponderada de vários sub-kernels, cada um dos quais não necessariamente trabalhando no mesmo domínio. Uma ponderação ideal do sub-kernel pode ser aprendida usando múltiplos aprendizagem do kernel. Atualmente, os problemas de classificação e regressão da classe SVM 2 podem ser tratados. No entanto, Shogun também implementa vários métodos lineares, como a máquina de programação linear (LPM), análise de discriminação linear (LDA), (kernel) percepção e recursos de algoritmos para treinar modelos markov ocultos.As objetos de recurso de entrada podem ser densos, escassos ou cordas do tipo int / curto / duplo / char e pode ser convertido em diferentes tipos de recursos. Correntes de pré-processadores (por exemplo, subtrair a média) podem ser anexadas a cada objeto de recurso permitindo o pré-processamento on-the-fly. O que há de novo nesta versão: · Substitua tipos de dados auto-definidos ambios para char / int / float etc. por tipos 'padronizados'. · Método Classify () em WDSVMOCAS agora tem um valor padrão para seu argumento. · Removido algumas saídas de depuração de Stderr. · O TestSuite agora abrange SubsVMs em MulticlassSVMs, interfaces estáticas agora suportam comandos get_num_svms e get_svm para multiclasssVms. · Corrigir para matrizes / vetores contígios na interface para o Python modular. · Corrigida atribuição inadequada de rótulos no construtor de WDSVMOCAS que levam a segfausos na interface modular de destruição na (Python). · Corrigido uma oportunidade de segfault no multiclassevm.

Shogun Software Relacionado