SHOGUN. Eine großflächige Werkzeugkiste mit großem Maßstab
Jetzt downloaden

SHOGUN. Ranking & Zusammenfassung

SHOGUN. Stichworte

lernen Toolkit. Werkzeugkasten Werkzeugkiste lernen Maschinen-Toolbox. Learning Toolkit.

SHOGUN. Beschreibung

Eine großzügige Maschinenlernen-Toolbox Der Fokus des Machine Learning Toolbox liegt auf großen Kernel-Methoden und insbesondere auf Support-Vektormaschinen (SVM). Es bietet ein generisches SVM-Objekt, das auf verschiedene SVM-Implementierungen verbunden ist, darunter der Stand der Technik libsvm, svmlight, svmli und gpdt. Jeder der SVMs kann mit einer Vielzahl von Kernel kombiniert werden. Die Toolbox liefert nicht nur effiziente Implementierungen der häufigsten Kernel, wie das lineare, Polynom, Gaußsche und Sigmoidkern, sondern auch mit einer Reihe neuer String-Kernel, wie z.B. Die Ortschaft verbessert, Fischer, Top, Spektrum, Gewichtskern (mit Schichten). Für letztere werden die effizienten Linadd-Optimierungen implementiert. Auch Shogun bietet die Freiheit der Arbeit mit benutzerdefinierten vorberuflichen Kerneln. Einer der Schlüsselmerkmale ist der kombinierte Kernel, der von einer gewichteten linearen Kombination aus einer Anzahl von Unterkerneln aufgebaut werden kann, von denen jeder nicht unbedingt an derselben Domäne arbeitet. Eine optimale Waben von Sub-Kernel kann mit mehreren Kernel-Lernen gelernt werden. Derzeit können SVM 2-Klasse-Klassifizierungs- und Regressionsprobleme behandelt werden. Shogun setzt jedoch auch eine Reihe von linearen Methoden wie linearer Programmiermaschine (LPM), lineare Diskriminierungsanalyse (LDA), (Kernel), Perceptrons und bietet Algorithmen zum Ausbilden von versteckten Markov-Modellen. Die Input-Feature-Objekte können dichter, spärlich oder Saiten sein vom Typ Int / Short / Double / CHAR und kann in verschiedene Funktionstypen umgewandelt werden. Ketten der Präprozessoren (z. B. Teilverletzung des Mittelwerts) können an jedem Merkmalsobjekt angehängt werden, das die Vorverarbeitung der On-the-Fly-Vorverarbeitung ermöglicht. Was ist neu in dieser Version: · Ersetzen Sie erwähnte selbstdefinierte Datentypen für Char / Int / Float usw. durch "standardisierte" Typen. · Methode klassifizieren () in wdsvmocas hat jetzt einen Standardwert für das Argument. · Ein paar Stderr-Debug-Ausgänge entfernt. · TESTSUITE jetzt deckt Subsvms in MulticlassSVMS ab, statische Schnittstellen unterstützen jetzt Befehle GET_NUM_SVMS und GET_SVM für MulticlassSVMs. · Fix für benotliche Arrays / Vektoren in der Schnittstelle für Python Modular. · Fixe unsachgemäße Abtretung von Etiketten im Konstruktor von WDSVMOcas, die zu Segfaults auf Zerstörung in (Python) modulare Schnittstelle führen. · Eine Segfault-Gelegenheit in MulticlassSVM behoben.

SHOGUN. Zugehörige Software