SHOGUN

SHOGUN er en åpen kildekode-prosjekt utviklet fra forskyvningen for å gi en maskinlæring verktøykasse rettet mot storskala kernel metoder, og spesielt utviklet for Support Vector Machines (SVM). Programvaren kan enkelt brukes fra innenfor ulike programmeringsspråk, inkludert C, C ++, Python, Octave, Matlab, Java, C #, Ruby, Lua, UNIX Shell, og R.
Programmet tilbyr en standard SVM (Support Vector Machines) objekt som kan grensesnitt med ulike SVM implementeringer. Det inkluderer også mange lineære metoder, for eksempel Linear Programming Machine (LPM), Linear diskriminant analyse (LDA), (Kernel) Perceptrons, samt noen algoritmer som kan brukes til å trene skjulte Markov models.Features på en glanceKey funksjoner inkluderer en klasseklassifikasjon, multiclass klassifisering, regresjon, strukturert utgang læring, pre-prosessering, innebygde modellseleksjonsstrategier, test rammeverk, stor skala læringsstøtte, multitask læring, domene tilpasning, serialisering parallelized kode, resultatmål, kernel ridge regresjon, vektor regresjon støtte og Gaussisk prosesser.
I tillegg støtter den flere kernel læring, inkludert q-norm MKL og multiclass MKL, støtter de Naive Bayes, Logistisk, LASSO, k-NN og Gaussian klassifiseringsprosessen klassifiserere, støtter lineær programmering maskin, LDA, Markov kjeder, skjulte Markovmodeller, PCA, kernel PCA, Isomap, flerdimensjonal skalering, lokalt lineær embedding, diffusjon kart, lokal tangent plass justering, samt Laplacian eigenmaps.
Videre har den Barnes-Hut t-SNE støtte, kernel normalizer, sigmoid kernel, streng kjerner, polynom, lineær og Gaussian kjerner, hierarkisk clustering, k-midler, BFGS optimalisering, gradient avstamning, bindinger til CPLEX, bindinger til Mosek, etikett sekvens læring, faktor graf læring, SO-SGD, latent SO-SVM og spredte data representation.Under panseret og availabilitySHOGUN er stolt skrevet i Python og C ++ programmeringsspråk, noe som betyr at det & rsquo; s kompatibel med alle GNU / Linux operativsystem hvor Python og GCC eksisterer. Den er tilgjengelig for nedlasting som en universell kilde arkiv, slik at du kan installere det på alle Linux kernel-basert operativsystem

Hva er nytt i denne utgaven:.

• Egenskaper:
• Fullt støtte python3 nå
• Legg til mini-batch k-midler [Parijat Mazumdar]
• Legg til k-midler ++ [Parijat Mazumdar]
• Legg til sub-sekvens string kernel [lambday]
• Bugfikses:
• kompilere feilrettinger for kommende swig3.0
• Speedup for Gaussian prosess 'gjelder ()
• Forbedre enhet / integrering testen sjekker
• libbmrm initialisert minne leser
• libocas initialisert minne leser
• Octave 3.8 kompilere fikser [Orion Poplawski]
• Fix java modulær kompileringsfeil [Bjoern Esser]

Hva er nytt i versjon 3.1.1:

• Fix kompilere feil skjer med CXX0X
• Bump data versjon til ønsket versjon

Hva er nytt i versjon 3.1.0:

• Denne versjonen inneholder det meste feilrettinger, men også forbedringer .
• Det viktigste, et par minnelekkasjer knyttet til å anvende () har blitt fikset.
• Skrive og lese av Shogun funksjoner som protobuf gjenstander er nå mulig.
• Custom Kernel matriser kan nå være 2 ^ 31-1 * 2 ^ 31-1 i størrelse.
• Multiclass ipython notatbøker ble lagt, og de andre bedre.
• Leave-ett-out crossvalidation støttes nå beleilig.

Hva er nytt i versjon 2.0.0:

• Det inkluderer alt som er utført før og i løpet av Google Summer of Code 2012.
• Studentene har gjennomført ulike nye funksjoner som strukturert utgang læring, Gaussian prosesser, latent variabel SVM (og strukturert utgang læring), statistiske tester i kernel reproduserende mellomrom, ulike multitask læringsalgoritmer, og ulike forbedringer i brukervennligheten, for å nevne noen.

Hva er nytt i versjon 1.1.0:

• Denne versjonen introduserte begrepet 'omformere', som gjør det mulig å konstruere innebygging av vilkårlige funksjoner.
• Det inkluderer også et par nye dimensjon reduksjon teknikker og betydelige ytelsesforbedringer i dimensionality reduksjon verktøykasse.
• Andre forbedringer inkluderer en betydelig samling speed-up, diverse feilrettinger for modulære grensesnitt og algoritmer, og forbedret Cygwin, Mac OS X, og klang ++ kompatibilitet.
• Github Issues brukes nå for sporing bugs og problemer.

Hva er nytt i versjon 1.0.0:

• Denne versjonen har grensesnitt til nye språk, inkludert Java, C #, Ruby, og Lua, en modell utvalg rammeverk, mange dimensjon reduksjon teknikker, Gaussian Blanding Modell estimering, og en fullverdig online læring rammeverk.

Hva er nytt i versjon 0.10.0:

• Egenskaper:
• serialisering av objekter som stammer fra CSGObject, dvs. at alle Shogun objekter (SVM, Kernel, Funksjoner preprocessors, ...) som ASCII, JSON, XML og HDF5
• Lag SVMLightOneClass
• Legg CustomDistance i analogi til custom kernel
• Legg HistogramIntersectionKernel (takk Koen van de Sande for lappen)
• Matlab 2010a støtte
• SpectrumMismatchRBFKernel modulære støtte (takk Rob Patro for lappen)
• Legg ZeroMeanCenterKernelNormalizer (takk Gorden Jemwa for lappen)
• Swig 2.0-støtte
• Bugfikses:
• Custom kjerner kan nå være & gt; 4G (takk Koen van de Sande for lappen)
• Sett C locale ved oppstart i init_shogun å hindre incompatiblies med ascii flyter og fprintf
• Compile fix når referansetelling er deaktivert
• Fix set_position_weights for wd kernel (rapportert av Dave duVerle)
• Fix set_wd_weights for wd kernel.
• Fix crasher i SVMOcas (rapportert av Yaroslav)
• Opprydding og API Endringer:
• Omdøpt SVM_light / SVR_light til SVMLight osv.
• Fjern C prefiks foran ikke- serieklassenavn
• Drop CSimpleKernel og introdusere CDotKernel som sin base klasse. Denne måten kan alle dot-produkt basert kjerner kan brukes på toppen av DotFeatures og bare en enkelt implementering for slike kjerner er nødvendig.

Hva er nytt i versjon 0.9.3:

• Egenskaper:
• Eksperimentell lp-norm MCMKL
• Nye Kjerner: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• WDK kjernen støtter aminosyrer
• String Funksjoner støtter nå føye operasjoner (og etablering av
• python-dbg støtte
• Tillat flyter som grunnlag for spesialtilpassede kjerner (og matriser & gt; 4 GB i størrelse)
• Bugfikses:
• Statisk linking fix.
• Fix sparsom lineær kjernens add_to_normal
• Opprydding og API Endringer:
• Fjern init () -funksjonen i ytelsen Tiltak
• Juster .so suffiks for python og bruke python distutils å finne ut installere stier

Hva er nytt i versjon 0.9.2:

• Egenskaper:
• Direkte lesing og skriving av ASCII / binærfiler / HDF5 baserte filer.
• Gjennomført multi oppgave kernel normalizer.
• Implementere SNP-kjernen.
• Implementere frist for libsvm / libsvr.
• Integrer Elastic Net MKL (takk Ryoata Tomioka for lappen).
• Implementere hashet WD Features.
• Implementere hashet Sparse Poly Features.
• Integrer liblinear 1.51
• LibSVM kan nå trent med skjevhet deaktivert.
• Legg til funksjoner for å stille / få global og lokal io / parallell / ... stedene.
• Bugfikses:
• Fix set_w () for lineære klassifiserere.
• Statisk Octave, Python, cmdline og Modular Python grensesnitt Compile rent under Windows / Cygwin igjen.
• I statiske grensesnitt testing kan mislykkes når ikke direkte gjort etter trening.