SHOGUN

SHOGUN is een open source software project ontworpen vanaf de offset naar een machine learning instrumentarium gericht op grote schaal kernel methoden leveren, en speciaal ontworpen voor Support Vector Machines (SVM). De software kan eenvoudig gebruikt worden vanuit diverse programmeertalen, waaronder C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, en R.
De applicatie biedt een standaard SVM (Support Vector Machines) object dat kan communiceren met verschillende SVM-implementaties. Het bevat ook vele lineaire methoden, zoals Linear Programming Machine (LPM), Discriminantanalyse (LDA), (Kernel) Perceptrons, evenals enkele algoritmes die kunnen worden gebruikt om verborgen Markov models.Features trainen op een glanceKey eigenschappen omvatten een classificatie, multiclass classificatie, regressie, gestructureerde uitgang leren, pre-processing, ingebouwde model selectie van strategieën, toetsingskader, grootschalige leerzorg, multitasken leren, domein aanpassing, serialiseerbaarheid parallelized code, prestatie-indicatoren, kernel golfregressie, vector regressie ondersteuning en Gauss-processen.
Daarnaast ondersteunt meerdere kernel leren, met inbegrip van q-norm MKL en multiclass MKL, ondersteunt de Naive Bayes, logistische regressie, lasso, k-NN en Gauss Process Classificatie classificatoren, ondersteunt lineaire programmering machine, LDA, Markov-ketens, verborgen Markov modellen, PCA, kernel PCA, ISOMAP, multidimensionale schaling, lokaal lineaire inbedding, diffusie kaart, lokale raakruimte uitlijning, evenals laplaciaan eigenmaps.
Verder is het voorzien van Barnes-Hut t-SNE-ondersteuning, kernel normalizer, sigmoid kernel, touwtje pitten, polynoom, lineaire en Gauss-kernels, hiërarchische clustering, k-middelen, BFGS optimalisatie, gradiënt afdaling, bindingen aan CPLEX, bindingen aan Mosek, label sequentieel leren, factor grafiek leren, SO-SGD, latente SO-SVM en schaars gegevens representation.Under de motorkap en availabilitySHOGUN is trots geschreven in de Python en C ++ programmeer talen, wat betekent dat het & rsquo; s compatibel met alle GNU / Linux besturingssysteem waar Python en GCC bestaan. Het is beschikbaar voor download als een universele bron archief, zodat u het kunt installeren op een Linux-kernel gebaseerd besturingssysteem

Wat is nieuw in deze release:.

• Kenmerken:
• Volledig achter python3 nu
• Voeg mini-batch k-middelen [Parijat Mazumdar]
• Voeg k-means ++ [Parijat Mazumdar]
• Voeg deelsequentie touwtje kernel [lambday]
• Bugfixes:
• Compile fixes voor aankomende swig3.0
• Speedup voor Gaussian proces 'van toepassing ()
• Verbeter unit / integratie test controleert
• libbmrm geïnitialiseerd geheugen leest
• libocas geïnitialiseerd geheugen leest
• Octave 3.8 compileren fixes [Orion Poplawski]
• Fix java modulaire compileerfout [Bjoern Esser]

Wat is nieuw in versie 3.1.1:

• Fix compileren fout optreedt met CXX0X
• Bump versie van die gegevens aan de vereiste versie

Wat is nieuw in versie 3.1.0:

• Deze versie bevat vooral bugfixes, maar ook over verbeteringen .
• Het belangrijkste is dat een paar geheugen lekken in verband te brengen () is vastgesteld.
• Het schrijven en lezen van de shogun kenmerken als protobuf objecten is nu mogelijk.
• aangepaste kernel Matrices kunnen nu 2 ^ 31-1 * 2 ^ 31-1 in grootte.
• Multiklasse ipython notebooks werden toegevoegd, en de anderen verbeterd.
• Leave-one-out crossvalidation is nu gunstig ondersteund.

Wat is nieuw in versie 2.0.0:

• Het omvat alles wat al eerder is uitgevoerd en tijdens de Google Summer of Code 2012.
• De studenten hebben diverse nieuwe functies, zoals gestructureerde uitgang leren, Gaussische processen, latente variabele SVM (en gestructureerde uitgang leren), statistische tests in kernel reproduceren ruimtes, diverse multitask leren algoritmen, en diverse usability verbeteringen doorgevoerd, om een ​​paar te noemen.

Wat is nieuw in versie 1.1.0:

• Deze versie introduceerde het begrip 'converters', waarmee u inbeddingen van willekeurige functies te bouwen.
• Het bevat ook een paar nieuwe dimensie reductie technieken en aanzienlijke prestatieverbeteringen in de dimensionaliteitsreductie toolkit.
• Andere verbeteringen zijn een belangrijke compilatie speed-up, diverse bugfixes voor modulaire interfaces en algoritmen, en verbeterde Cygwin, Mac OS X, en Clang ++ compatibiliteit.
• Github Issues wordt nu gebruikt voor het bijhouden van bugs en problemen.

Wat is nieuw in versie 1.0.0:

• Deze versie is voorzien van interfaces voor nieuwe talen, waaronder Java, C #, Ruby, en Lua, een model selectie kader, vele dimensie reductie technieken, Gaussian Mixture Model schatting, en een volwaardige online leren kader.

Wat is nieuw in versie 0.10.0:

• Kenmerken:
• Serialization van voorwerpen die voortvloeien uit CSGObject, dwz alle shogun objecten (SVM, Kernel, Features, Preprocessors, ...) als ASCII, JSON, XML en hdf5
• Maak SVMLightOneClass
• Voeg CustomDistance in analogie met aangepaste kernel
• Voeg HistogramIntersectionKernel (bedankt Koen van de Sande voor de patch)
• Matlab 2010a ondersteuning
• SpectrumMismatchRBFKernel modulaire ondersteuning (met dank Rob Patro voor de patch)
• Voeg ZeroMeanCenterKernelNormalizer (bedankt Gorden Jemwa voor de patch)
• Swig 2.0-ondersteuning
• Bugfixes:
• Custom kernels kunnen nu & gt; 4G (bedankt Koen van de Sande voor de patch)
• Set C locale bij het opstarten in init_shogun om incompatiblies met ascii praalwagens en fprintf voorkomen
• Compile fix wanneer reference counting is uitgeschakeld
• Fix set_position_weights voor wd kernel (gemeld door Dave duVerle)
• Fix set_wd_weights voor wd kernel.
• Fix crasher in SVMOcas (gemeld door Yaroslav)
• Cleanup en API Wijzigingen:
• Hernoemd SVM_light / SVR_light om SVMLight etc.
• Verwijder C voorvoegsel voor niet-serializable klasse namen
• Drop CSimpleKernel en introduceren CDotKernel als basisklasse. Zo alle dot productgebaseerde kernels kunnen worden aangebracht bovenop DotFeatures en slechts één uitvoering van dergelijke korrels nodig.

Wat is nieuw in versie 0.9.3:

• Kenmerken:
• Experimentele lp-norm MCMKL
• Nieuwe Pitten: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK kernel ondersteunt aminozuren
• String functies ondersteunen nu voegen operaties (en het creëren van
• python-dbg ondersteuning
• Laat praalwagens als input voor aangepaste kernel (en matrices & gt; 4 GB)
• Bugfixes:
• statisch koppelen fix.
• Fix add_to_normal ijle lineaire kernel
• Cleanup en API Wijzigingen:
• Verwijder init () functie in Performance Maatregelen
• Stel .Zo achtervoegsel voor python en gebruik python distutils om erachter te komen paden te installeren

Wat is nieuw in versie 0.9.2:

• Kenmerken:
• Direct lezen en schrijven van ASCII / Binary bestanden / hdf5 gebaseerde bestanden.
• Uitgevoerd multitasken kernel normalizer.
• Implementeren SNP kernel.
• Implementeren termijn voor libsvm / libsvr.
• Integreer Elastisch net MKL (bedankt Ryoata Tomioka voor de patch).
• Implementeren Hashed WD Features.
• Implementeren Hashed Dunne Poly Features.
• Integreer liblinear 1,51
• libsvm kan nu worden getraind met vooringenomenheid uitgeschakeld.
• functies in te stellen / te krijgen globale en lokale io / parallel Toevoegen / ... voorwerpen.
• Bugfixes:
• Fix set_w () voor lineaire classifiers.
• Statische Octave, Python, cmdline en Modulaire Python interfaces Compile netjes onder Windows / Cygwin nogmaals.
• In statische interfaces testen kon mislukken wanneer niet direct gedaan na de training.