SHOGUN

Shogun ay isang open source software na proyekto na idinisenyo mula sa offset upang magbigay ng pagkatuto ng machine ng toolbox na naka-target sa malaking proporsyon pamamaraan ng kernel, at partikular na dinisenyo para sa Suporta Vector Machine (SVM). Ang software ay madaling gamitin mula sa loob ng iba't ibang mga wika programming, kabilang ang C, C ++, Python, oktaba, MATLAB, Java, C #, Ruby, Lua, UNIX Shell, at R.
Nag-aalok ang application ng isang karaniwang SVM (Suporta Vector Machine) na bagay na maaari interface na may iba't ibang mga pagpapatupad SVM. Kasama rin dito ang maraming mga linear na pamamaraan, tulad ng De Programming Machine (LPM), De-Discriminant Pagsusuri (LDA), (Kernel) Perceptrons, pati na rin ang ilang mga algorithm na maaaring magamit upang sanayin ang mga nakatagong Markov models.Features sa isang glanceKey mga tampok isama ang isa class na pag-uuri, multiclass pag-uuri, pagbabalik, nakaayos ang output ng pag-aaral, pre-processing, built-in na seleksyon diskarte sa modelo, pagsubok framework, malaking suporta sa pag-aaral antas, ang multitask pag-aaral, domain pagbagay, Serialization, parallelized code, mga panukala ng pagganap, kernel tagaytay pagbabalik, vector pagbabalik suporta at gaussian proseso.
Bukod pa rito, sinusuportahan ito ng maraming kernel pag-aaral, kabilang ang q-modelo MKL at multiclass MKL, sinusuportahan ang walang muwang Bayes, Logistic pagbabalik, LASSO, k-NN at Gaussian Proseso ng Pag-uuri classifiers, sinusuportahan ng linear programming machine, LDA, Markov chain, nakatagong mga modelong Markov, PCA, kernel PCA, Isomap, maraming interes scale, lokal na linear na pag-embed, pagsasabog mapa, mga lokal na pagkakahanay tanghente puwang, pati na rin laplacian eigenmaps.
Higit pa rito, nagtatampok ito Barnes-Hut t-SNE suporta, kernel normalizer, sigmoid kernel, string kernels, polinomyal, linear at gaussian kernels, hierarchical clustering, k-paraan, BFGS pag-optimize, gradient pinaggalingan, binding sa CPLEX, binding sa Mosek, label Ang pagkasunod-sunod sa pag-aaral, pag-aaral graph kadahilanan, SO-SGD, tago SO-SVM at kalat-kalat na data representation.Under ng hood at availabilitySHOGUN ay buong kapurihan nakasulat sa Python at C ++ ang mga programa wika, na nangangahulugan na ito & rsquo; s tugma sa anumang GNU / Linux operating system kung saan Python at GCC umiiral. Ito ay magagamit para sa pag-download bilang isang unibersal na pinagmulan archive, kaya maaari mo itong i-install sa anumang kernel-based Linux operating system

Ano ang bagong sa paglabas:.

• Tampok:
• Ganap na sinusuportahan ng python3 ngayon
• Magdagdag ng mini-batch k-paraan [Parijat Mazumdar]
• Magdagdag k-paraan ++ [Parijat Mazumdar]
• Magdagdag ng sub-sequence string kernel [lambday]
• Bugfixes:
• ipunin ang mga pag-aayos para sa mga paparating swig3.0
• Speedup para sa gaussian proseso ng 'mag-apply ()
• Pagbutihin ang unit / pagsubok sa pagsasama sa mga pagsusuri
• bumabasa ng libbmrm uninitialized memory
• libocas uninitialized memory bumabasa
• oktaba 3.8 ipunin ang mga pag-aayos [Orion Poplawski]
• Ayusin ang error java Modular compile [Bjoern Esser]

Ano ang bagong sa bersyon 3.1.1:

• Ayusin compile error na nagaganap sa CXX0X
• paga bersyon data sa kinakailangang bersyon

Ano ang bagong sa bersyon 3.1.0:

• Ang bersyon na ito ay naglalaman ng karamihan bugfixes, ngunit din ang mga kuwarto pagpapahusay .
• Karamihan mahalaga, isang pares ng mga paglabas ng memorya na may kaugnayan mag-apply () ay naayos na.
• Pagsusulat at pagbabasa ng mga tampok Shogun bilang protobuf bagay ay posible na ngayon.
• Custom Kernel Matrices maaari na ngayong 2 ^ 31-1 * 2 ^ 31-1 ang laki.
• Multiclass ipython mga notebook ay idinagdag, at ang iba napabuti.
• Mag-iwan-isang-out crossvalidation ay ngayon Maginhawang suportado.

Ano ang bagong sa bersyon 2.0.0:

• May kasama ang lahat ng bagay na kung saan ay natupad bago at sa panahon ng Google Summer ng Code 2012.
• mga mag-aaral nagpatupad ng iba't-ibang mga bagong tampok tulad ng nakaayos ang output ng pag-aaral, gaussian proseso, tago SVM variable (at nakabalangkas na output ng pag-aaral), statistical mga pagsubok sa kernel reproducing puwang, iba't-ibang mga algorithm multitask pag-aaral, at iba't ibang mga pagpapahusay ng kakayahang magamit, upang pangalanan ang ilang.

Ano ang bagong sa bersyon 1.1.0:

• ipinakilala bersyon na ito ay ang konsepto ng 'converter', na nagbibigay-daan sa iyo upang bumuo ng mga embeddings ng mga arbitrary na mga tampok.
• May kasama rin itong ng ilang mga bagong diskarte sa pagbabawas ng sukat at makabuluhang pagpapabuti ng pagganap sa pagbabawas dimensionality toolkit.
• Iba pang mga pagpapabuti isama ang isang makabuluhang pagsasama-sama ng bilis-up, iba-ibang bugfixes para sa Modular mga interface at mga algorithm, at pinahusay na Cygwin, Mac OS X, at kumalatong ++ sa pagiging tugma.
• Github Isyu ay ginagamit ngayon para sa mga bug at mga isyu sa pagsubaybay.

Ano ang bagong sa bersyon 1.0.0:

• bersyon na ito ng mga interface sa bagong mga wika kabilang ang Java, C #, Ruby, at Lua, isang balangkas ng pagpili modelo, maraming mga diskarte sa pagbabawas ng sukat, Gaussian kuru-kuro halo-modelo, at isang ganap online na balangkas ng pag-aaral.

Ano ang bagong sa bersyon 0.10.0:

• Tampok:
• Serialization ng mga bagay panggagaling mula CSGObject, ibig sabihin, ang lahat ng mga Shogun bagay (SVM, Kernel, Tampok, Preprocessors, ...) bilang ASCII, JSON, XML at HDF5
• Lumikha SVMLightOneClass
• Magdagdag CustomDistance sa pagkakatulad sa custom kernel
• Magdagdag HistogramIntersectionKernel (salamat Koen van de Sande para sa patch)
• MATLAB 2010a suporta
• SpectrumMismatchRBFKernel Modular suporta (salamat Rob Patro para sa patch)
• Magdagdag ZeroMeanCenterKernelNormalizer (salamat Gorden Jemwa para sa patch)
• Swig suporta 2.0
• Bugfixes:
• Custom Kernels ay maaari na ngayong maging & gt; 4G (salamat Koen van de Sande para sa patch)
• Itakda C locale sa startup sa init_shogun upang maiwasan ang incompatiblies sa ascii sa kamay at fprintf
• compile-aayos kapag reference nadaragdagan ay hindi pinagana
• Ayusin ang set_position_weights para wd kernel (iniulat sa pamamagitan ng Dave duVerle)
• Ayusin ang set_wd_weights para wd kernel.
• Ayusin ang Crasher sa SVMOcas (iniulat sa pamamagitan ng Yaroslav)
• Paglilinis at API Pagbabago:
• Pinalitan ang pangalan ng SVM_light / SVR_light sa SVMLight atbp.
• Alisin C prefix sa harap ng di-serializable mga pangalan ng klase
• Drop CSimpleKernel at ipakilala CDotKernel bilang batayang klase nito. Sa ganitong paraan ang lahat ng mga tuldok-produkto na batay sa kernels maaaring ilapat sa ibabaw ng DotFeatures at tanging isang solong pagpapatupad para sa naturang kernels ay kinakailangan.

Ano ang bagong sa bersyon 0.9.3:

• Tampok:
• Pang-eksperimentong LP-modelo MCMKL
• Bagong Kernels: SpectrumRBFKernelRBF, SpectrumMismatchRBFKernel, WeightedDegreeRBFKernel
• Sinusuportahan ng WDK kernel amino acids

Mga Tampok
• String sinusuportahan ngayon ikabit ang pagpapatakbo (at paglikha ng
• suporta python-dbg
• Payagan ang mga kamay bilang input para sa mga pasadyang kernel (at matrices & gt; 4GB ang laki)
• Bugfixes:
• Static fix pag-link.
• Ayusin add_to_normal kalat-kalat linear kernel ni
• Paglilinis at API Pagbabago:
• Alisin ang init () function na sa mga Panukala ng Pagganap
• Ayusin .so suffix para sa python at gamitin python distutils upang malaman kung i-install path

Ano ang bagong sa bersyon 0.9.2:

• Tampok:
• Direktang pagbabasa at pagsusulat ng mga file na batay sa ASCII / Binary file / HDF5.
• Ipinatupad multi gawain kernel normalizer.
• Ipatupad ang SNP kernel.
• Ipatupad ang limitasyon ng panahon para sa libsvm / libsvr.
• Isama ang nababanat Net MKL (salamat Ryoata Tomioka, Gunma para sa patch).
• Ipatupad ang Mga Tampok ng na-hash WD.
• Ipatupad ang na-hash na Mga Tampok ng kalat-kalat Poly.
• Isama ang liblinear 1.51
• LibSVM ay maaari na ngayong sinanay na hindi pinagana ang bias.
• Magdagdag ng mga pag-andar upang i-set / makakuha ng pandaigdigan at lokal na IO / parallel / ... bagay.
• Bugfixes:
• Ayusin ang set_w () para sa linear classifiers.
• Static oktaba, Python, Cmdline at Modular Python mga interface sumulat ng libro nang malinis sa ilalim ng Windows / Cygwin muli.
• Sa mga static na mga interface ay maaaring mabigo ang pagsubok kapag hindi direktang ginawa pagkatapos ng pagsasanay.