SHOGUN

O Shogun é um projeto de software de código aberto projetado desde o deslocamento para fornecer uma caixa de ferramentas de aprendizagem de máquina orientada para métodos do kernel em grande escala e, especificamente projetado para Support Vector Machines (SVM). O software pode ser facilmente utilizado a partir de dentro de várias linguagens de programação, incluindo C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, e R.
A aplicação oferece um objeto padrão SVM (Support Vector Machines), que pode interagir com várias implementações SVM. Ele também inclui muitos métodos lineares, tais como máquina Programação Linear (LPM), análise discriminante linear (LDA), (kernel) Perceptrons, bem como alguns algoritmos que podem ser usados ​​para treinar escondido Markov models.Features em uma características glanceKey incluir um A classificação de classe, multiclasse classificação, regressão, a aprendizagem saída estruturada, pré-processamento, as estratégias de seleção de modelos internos, estrutura de testes, apoio à aprendizagem em larga escala, multitask aprendizagem, adaptação de domínio, serialização, código paralelizado, medidas de desempenho, regressão de cumeeira kernel, vector apoio regressão e processos de Gauss.
Além disso, ele apoia a aprendizagem núcleo múltiplo, incluindo MKL q-norma e multiclasse MKL, suporta os Naive Bayes, Regressão Logística, laço, k-NN e Gaussian processo de classificação classificadores, suporta máquinas de programação linear, correntes LDA, Markov, modelos ocultos de Markov, PCA, kernel do PCA, Isomap, escalonamento multidimensional, a incorporação localmente linear, mapa de difusão, alinhamento espaço tangente local, bem como eigenmaps Laplaciano.
Além disso, dispõe de apoio Barnes-Hut t-PND, normalizador kernel, kernel do sigmóide, kernels cordas, polinomial, linear e kernels gaussianos, agrupamento hierárquico, k-médias, otimização BFGS, gradiente descendente, ligações para CPLEX, ligações para Mosek, etiqueta aprendizagem seqüência, fator aprendizagem gráfico, SO-SGD, latente SO-SVM e dados esparsos representation.Under o capô e availabilitySHOGUN é orgulhosamente escrito em Python e C ++ linguagens de programação, o que significa que & rsquo; s compatível com qualquer sistema operacional GNU / Linux onde existem Python e GCC. Ele está disponível para download como um arquivo fonte universal, de modo que você pode instalá-lo em qualquer sistema operacional baseado no kernel Linux

O que é novo nesta versão:.

• Características:
• Suporte inteiramente python3 agora
• Adicione mini-lote k-médias [Parijat Mazumdar]
• Adicione k-médias ++ [Parijat Mazumdar]
• Adicionar string kernel sub-seqüência [lambday]
• Bugfixes:
• Compilar correções para próxima swig3.0
• Speedup para o processo de Gauss 'aplicar ()
• melhorar o controlo de teste de unidade / integração
• memória não inicializada libbmrm lê
• libocas memória não inicializada lê
• Octave 3.8 compilar correções [Orion Poplawski]
• erro Fix java compilação modular [Bjoern Esser]

O que é novo na versão 3.1.1:

• Corrigir erro de compilação ocorrendo com CXX0X
• Colisão versão dados a versão necessária

O que é novo na versão 3.1.0:

• Esta versão contém principalmente correções de bugs, mas também apresentam melhorias .
• O mais importante, um par de vazamentos de memória relacionados a aplicar () foram corrigidos.
• Escrita e leitura de características shogun como protobuf objetos agora é possível.
• Personalizado Matrizes kernel podem agora ser 2 ^ 31-1 * 2 ^ 31-1 em tamanho.
• cadernos Multiclass iPython foram adicionados, e os outros melhoraram.
• Deixe-one-out validação cruzada é agora convenientemente suportado.

O que é novo na versão 2.0.0:

• Ele inclui tudo o que foi realizado antes e durante o Google Summer of Code 2012.
• Os estudantes têm implementado diversas novas funcionalidades, tais como a aprendizagem estruturada de saída, processos gaussianos, SVM variável latente (e aprendizagem saída estruturada), testes estatísticos em espaços de kernel que reproduzem, vários algoritmos de aprendizagem multitask, e várias melhorias de usabilidade, para citar alguns.

O que é novo na versão 1.1.0:

• Esta versão introduziu o conceito de 'conversores', o que lhe permite construir incorporações de características arbitrárias.
• Ele também inclui algumas novas técnicas de redução de dimensão e melhorias significativas de desempenho no toolkit redução de dimensionalidade.
• Outras melhorias incluem uma compilação significativa de aumento de velocidade, várias correções de bugs para interfaces modulares e algoritmos, e melhorou Cygwin, Mac OS X, e clang ++ compatibilidade.
• Edições Github agora é usado para erros de rastreamento e questões.

O que é novo na versão 1.0.0:

• Esta versão possui interfaces para novas línguas, incluindo Java, C #, Ruby, e Lua, um quadro de seleção de modelos, muitas técnicas de redução de dimensão, Gaussian estimativa Mixture Model, e um quadro de pleno direito de aprendizagem online.

O que é novo na versão 0.10.0:

• Características:
• A serialização de objetos decorrentes CSGObject, ou seja, todos os objetos shogun (SVM, Kernel, Features, Preprocessors, ...) como ASCII, JSON, XML e HDF5
• Criar SVMLightOneClass
• Adicionar CustomDistance em analogia com o kernel personalizado
• Adicionar HistogramIntersectionKernel (graças Koen van de Sande para o patch)
• apoio 2010a Matlab
• apoio modular SpectrumMismatchRBFKernel (graças Rob Patro para o patch)
• Adicionar ZeroMeanCenterKernelNormalizer (graças Gorden Jemwa para o patch)
• apoio Swig 2.0
• Bugfixes:
• Personalizado Kernels agora pode ser & gt; 4G (graças Koen van de Sande para o patch)
• Set C locale no arranque em init_shogun para evitar incompatiblies com carros alegóricos ascii e fprintf
• Compilar correção quando a contagem de referência é desativado
• set_position_weights correção para kernel do wd (relatada por Dave duVerle)
• set_wd_weights correção para kernel do wd.
• Fix estrondo em SVMOcas (relatada por Yaroslav)

Alterações
• Limpeza e API:
• Renomeado SVM_light / SVR_light para SVMLight etc.
• Remover C prefixo na frente de nomes de classe não serializáveis ​​
• Gota CSimpleKernel e introduzir CDotKernel como sua classe base. Desta forma, todos os kernels baseados dot-produto pode ser aplicado em cima de DotFeatures e apenas uma única aplicação para tais kernels é necessário.

O que é novo na versão 0.9.3:

• Características:
• Experimental lp-norma MCMKL
• novos kernels: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• kernel do WDK suporta aminoácidos

Características
• string agora suportam anexar operações (e criação de
• apoio python-dbg
• Permitir carros alegóricos como entrada para o kernel personalizado (e matrizes & gt; 4 GB de tamanho)
• Bugfixes:
• correção vinculação estática.
• Corrigir add_to_normal do kernel linear esparso

Alterações
• Limpeza e API:
• Remova init () função em Medidas de Desempenho
• Ajustar .so sufixo para python e usar distutils python para descobrir caminhos de instalação

O que é novo na versão 0.9.2:

• Características:
• Leitura direta e escrita de arquivos com base ASCII / arquivos binários / HDF5.
• Implementado vários normalizador do kernel tarefa.
• Implementar kernel do SNP.
• Implementar prazo para LIBSVM / libsvr.
• Integrar Elastic MKL Net (graças Ryoata Tomioka para o patch).
• implementar recursos Hashed WD.
• Implementar Hashed Features Dispersa Poly.
• Integrar liblinear 1,51
• LIBSVM agora podem ser treinados com viés desativado.
• Adicionar funções de set / get global e local io / paralelo / ... objetos.
• Bugfixes:
• Fix set_w () para classificadores lineares.
• estático Octave, interfaces de Python, Cmdline e Python Modular compilar claramente sob Windows / Cygwin novamente.
• Em interfaces de testes estáticos pode falhar quando não for feito logo após o treinamento.