SHOGUN

SHOGUN adalah sebuah proyek software open source yang didesain dari offset untuk menyediakan sebuah kotak pembelajaran mesin ditargetkan pada metode kernel skala besar, dan secara khusus dirancang untuk Support Vector Machines (SVM). Perangkat lunak ini dapat dengan mudah digunakan dari dalam berbagai bahasa pemrograman, termasuk C, C ++, Python, Octave, Matlab, Jawa, C #, Ruby, Lua, UNIX Shell, dan R.
Aplikasi ini menawarkan standar SVM (Support Vector Machines) objek yang dapat berinteraksi dengan berbagai implementasi SVM. Ini juga mencakup banyak metode linear, seperti Linear Programming Machine (LPM), Linear Discriminant Analysis (LDA), (Kernel) Perceptrons, serta beberapa algoritma yang dapat digunakan untuk melatih tersembunyi Markov models.Features pada fitur glanceKey termasuk salah satu klasifikasi kelas, multiclass klasifikasi, regresi, terstruktur pembelajaran output, pre-processing, built-in strategi pemilihan model, kerangka uji, dukungan pembelajaran skala besar, multitask belajar, adaptasi domain, serialisasi, kode diparalelkan, ukuran kinerja, regresi kernel ridge, vektor dukungan regresi dan proses gaussian.
Selain itu, mendukung multiple belajar kernel, termasuk q-norma MKL dan multiclass MKL, mendukung Naif Bayes, Regresi Logistik, Lasso, k-NN dan Gaussian Proses Klasifikasi pengklasifikasi, mendukung mesin pemrograman linear, rantai LDA, Markov, model Markov tersembunyi, PCA, kernel PCA, Isomap, skala multidimensi, embedding linear lokal, peta difusi, keselarasan ruang tangen lokal, serta eigenmaps laplacian.
Selain itu, fitur Barnes-Hut t-SNE dukungan, kernel normalizer, kernel sigmoid, tali kernel, jumlahnya banyak, linear dan kernel gaussian, clustering hirarkis, k-means, optimasi BFGS, gradient descent, binding ke CPLEX, binding ke Mosek, label urutan pembelajaran, faktor pembelajaran grafik, SO-SGD, laten SO-SVM dan data jarang representation.Under kap mesin dan availabilitySHOGUN bangga ditulis dalam Python dan C ++ bahasa pemrograman, yang berarti bahwa itu & rsquo; s kompatibel dengan sistem operasi GNU / Linux di mana Python dan GCC ada. Ini tersedia untuk di-download sebagai sumber arsip universal, sehingga Anda dapat menginstalnya pada sistem operasi berbasis kernel Linux-

Apa yang baru dalam rilis ini:.

• Fitur:
• Sepenuhnya mendukung python3 sekarang
• Tambah Mini-batch k-means [Parijat Mazumdar]
• Add k-means ++ [Parijat Mazumdar]
• Tambah sub-string urutan kernel [lambday]
• Perbaikan bug:
• Kompilasi perbaikan untuk swig3.0 mendatang
• SpeedUp proses gaussian 'berlaku ()
• Meningkatkan cek unit / tes integrasi
• libbmrm memori diinisiasi membaca
• libocas memori diinisiasi membaca
• Oktaf 3,8 kompilasi perbaikan [Orion Poplawski]
• error Fix java kompilasi modular [Bjoern Esser]

Apa yang baru dalam versi 3.1.1:

• Perbaiki kompilasi kesalahan yang terjadi dengan CXX0X
• Bump versi data ke versi yang dibutuhkan

Apa yang baru dalam versi 3.1.0:

• Versi ini mengandung sebagian besar perbaikan bug, tetapi juga memiliki tambahan
.
• Yang paling penting, beberapa kebocoran memori yang terkait untuk menerapkan () telah diperbaiki.
• Menulis dan membaca fitur shogun sebagai protobuf benda sekarang mungkin.
• Kustom Kernel Matriks dapat sekarang menjadi 2 ^ 31-1 * 2 ^ 31-1 dalam ukuran.
• multiclass ipython notebook ditambahkan, dan lain-lain meningkat.
• Tinggalkan-satu-out crossvalidation sekarang nyaman didukung.

Apa yang baru dalam versi 2.0.0:

• Ini mencakup semua yang telah dilakukan sebelumnya dan selama Google Summer of Code 2012
.
• Siswa telah menerapkan berbagai fitur baru seperti terstruktur pembelajaran output, proses gaussian, variabel laten SVM (dan belajar keluaran terstruktur), uji statistik dalam kernel ruang mereproduksi, berbagai algoritma pembelajaran multitask, dan berbagai perbaikan kegunaan, untuk beberapa nama.

Apa yang baru dalam versi 1.1.0:

• Versi ini memperkenalkan konsep 'konverter', yang memungkinkan Anda untuk membangun embeddings fitur sewenang-wenang.
• Ini juga mencakup teknik pengurangan dimensi beberapa baru dan perbaikan kinerja yang signifikan dalam toolkit pengurangan dimensi.
• Perbaikan lainnya termasuk kompilasi kecepatan-up yang signifikan, berbagai perbaikan bug untuk antarmuka modular dan algoritma, dan meningkatkan Cygwin, Mac OS X, dan dentang ++ kompatibilitas.
• Github Isu sekarang digunakan untuk pelacakan bug dan masalah.

Apa yang baru dalam versi 1.0.0:

• Versi ini memiliki antarmuka bahasa baru termasuk Jawa, C #, Ruby, dan Lua, kerangka pemilihan model, banyak teknik pengurangan dimensi, Gaussian estimasi Campuran Model, dan kerangka pembelajaran online penuh
.

Apa yang baru dalam versi 0.10.0:

• Fitur:
• serialisasi objek yang berasal dari CSGObject, yaitu semua benda shogun (SVM, Kernel, Fitur, Preprocessor, ...) sebagai ASCII, JSON, XML dan HDF5
• Buat SVMLightOneClass
• Tambah CustomDistance dalam analogi dengan kernel
• Tambahkan HistogramIntersectionKernel (terima kasih Koen van de Sande untuk patch)
• dukungan 2010a Matlab
• dukungan modular SpectrumMismatchRBFKernel (terima kasih Rob Patro untuk patch)
• Tambahkan ZeroMeanCenterKernelNormalizer (terima kasih Gorden Jemwa untuk patch)
• Meneguk dukungan 2.0
• Perbaikan bug:
• Kustom Kernel sekarang bisa & gt; 4G (terima kasih Koen van de Sande untuk patch)
• Set C lokal pada startup di init_shogun untuk mencegah incompatiblies dengan mengapung ascii dan fprintf
• Kompilasi memperbaiki ketika menghitung referensi dinonaktifkan
• set_position_weights Fix untuk kernel wd (dilaporkan oleh Dave duVerle)
• set_wd_weights Fix untuk kernel wd.
• Fix crasher di SVMOcas (dilaporkan oleh Yaroslav)
• Cleanup dan API Perubahan:
• Berganti nama SVM_light / SVR_light ke SVMLight dll.
• Hapus C awalan di depan nama kelas non-serializable
• Gugurkan CSimpleKernel dan memperkenalkan CDotKernel sebagai kelas dasar. Dengan cara ini semua kernel berbasis dot-produk dapat diterapkan di atas DotFeatures dan hanya satu implementasi untuk kernel tersebut diperlukan.

Apa yang baru dalam versi 0.9.3:

• Fitur:
• Experimental lp-norma MCMKL
• Kernel Baru: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• kernel WDK mendukung asam amino
• String Fitur sekarang mendukung menambahkan operasi (dan penciptaan
• dukungan python-DBG
• Izinkan mengapung sebagai masukan untuk kernel (dan matriks & gt; 4GB dalam ukuran)
• Perbaikan bug:
• Statis menghubungkan fix.
• Perbaiki add_to_normal linear kernel jarang yang
• Cleanup dan API Perubahan:
• Hapus init () fungsi dalam Pengukuran Kinerja
• Sesuaikan akhiran .so untuk python dan menggunakan distutils python untuk mencari tahu menginstal jalur

Apa yang baru dalam versi 0.9.2:

• Fitur:
• membaca langsung dan menulis file berbasis ASCII / file Binary / HDF5.
• Diimplementasikan normalizer multi-kernel tugas.
• Melaksanakan SNP kernel.
• Melaksanakan batas waktu untuk libsvm / libsvr.
• Mengintegrasikan elastis Net MKL (terima kasih Ryoata Tomioka untuk patch).
• Melaksanakan Fitur Hashed WD.
• Melaksanakan Hashed Fitur Jarang Poly.
• Mengintegrasikan liblinear 1,51
• LibSVM sekarang dapat dilatih dengan bias yang dinonaktifkan.
• Tambahkan fungsi untuk mengatur / mendapatkan io global dan lokal / paralel / ... benda.
• Perbaikan bug:
• Fix set_w () untuk pengklasifikasi linear.
• Static Octave, Python, cmdline dan Modular Python interface Kompilasi bersih di bawah Windows / Cygwin lagi.
• Dalam antarmuka statis pengujian bisa gagal jika tidak langsung dilakukan setelah pelatihan.