imported>Aka: /* Besonderheiten */ Tippfehler entfernt

2025-07-01T16:54:12Z

Neue Seite

'''Shogun''' ist eine [[Open Source|Open-Source]]-Toolbox aus dem Bereich des [[maschinelles Lernen|maschinellen Lernens]]. Mit ihr lassen sich [[Regressionsanalyse|Regressions]]- und [[Klassifikation]]sprobleme lösen sowie unter anderem [[Hidden Markov Model]]s lernen.

== Anwendungsschwerpunkt ==
[[Datei:shogun toolbox python.png|mini|'''Abb. 1.''' Die Abbildung zeigt das [[Python (Programmiersprache)|Python]]-Interface der Shogun-Toolbox. Zu sehen ist ein [[Support Vector Machine|Support-Vector-Machine]]-Klassifikations-(links) und Regressionsergebnis (rechts)]]

Der Fokus dieser Toolbox liegt auf den sogenannten [[Kernel-Methoden]] mit dem Anwendungsschwerpunkt [[Bioinformatik]].
Dazu wurde eine Reihe von Kernen auf Sequenzen (sogenannte String-Kerne) implementiert und besonders auf Geschwindigkeit zur Anwendung auf großen Datenmengen getrimmt. So lassen sich mit der Toolbox Probleme mit String-Kernen auf sehr großen Datenmengen lösen (bis zu 10 Millionen).

Insbesondere bietet Shogun generische Schnittstellen zu vielen verschiedenen Implementierungen von [[Support Vector Machine]]s (SVMs), wie z. B. SVMlight und libSVM. Dies ermöglicht es allen SVMs, dieselben Kern-Implementierungen zu verwenden, und erleichtert das Hinzufügen neuer kernbasierter Lernmethoden. Neben Standard-Kernen (linearer, polynomieller, Gauss- und Sigmoid-Kern) sind in Shogun effiziente Implementierungen für kürzlich publizierte String-Kerne vorhanden, wie z. B. der Locality Improved, Fischer, TOP, Spektrum, Weighted Degree Kernel (with shifts). Für die letzteren wurden die effizienten LINADD-Optimierungen implementiert.

== Besonderheiten ==
Shogun ermöglicht es außerdem, mit eigenen vorberechneten [[Kernel (Maschinelles Lernen)|Kernen]] zu arbeiten. Eines der Hauptmerkmale dieser Toolbox ist der sogenannte kombinierbare Kern (engl. combined Kernel), welcher sich aus einer gewichteten [[Linearkombination]] von Unter-Kernen zusammensetzt: <math>k(x,x')=\sum_{i=1}^m \beta_i k_i(x,x')</math>. Dabei müssen die Unter-Kerne nicht notwendigerweise auf demselben [[Merkmalsraum|Eingaberaum]] arbeiten, sondern auf verschiedenen [[Definitionsmenge|Domänen]].
Shogun kann eine optimale Unter-Kern-Gewichtung, d. h. <math>\beta_i,\;i=1\dots m</math>, durch den Multiple Kernel Learning Algorithmus lernen. Neben den SVM 2-Klassen [[Klassifikation]]s und [[Regressionsanalyse|Regressionsproblemen]] ist in Shogun auch eine Reihe von linearen Methoden implementiert. Beispiele hierfür sind die [[Diskriminanzanalyse]] (engl. Linear Discriminant Analysis (LDA)), Linear Programming Machine (LPM), (Kernel) [[Perceptron]]en und [[Hidden Markov Model]]le. Shogun kann ein reiches Spektrum an Daten verarbeiten. Nicht nur sind voll besetzte Eingabe-Matrizen, sondern auch dünn besetzte, sowie [[Zeichenkette|Strings]], die jeweils vom Typ [[Integer (Datentyp)|Integer]]/[[Gleitkommazahl|Gleitkomma]] (einfache oder [[doppelte Genauigkeit]]) sein können, möglich. Weiterhin können Ketten von Präprozessoren an die Eingaben angehängt werden, so dass die Eingaben [[on-the-fly]] von den Lernalgorithmen weiterverarbeitet werden können.

== Schnittstellen ==
Shogun ist in [[C++]] implementiert und bietet Schnittstellen zu [[Matlab]], [[GNU R|R]], [[GNU Octave|Octave]] und Python. Diese Schnittstellen erlauben interaktives Experimentieren mit den Lernalgorithmen (siehe Abbildung 1 für die Python-Schnittstelle), aber auch Batch-Skript-Verarbeitung auf [[Computercluster|Rechenclustern]].

== Literatur ==
* [[Corinna Cortes]], [[Wladimir Naumowitsch Wapnik|Wladimir Wapnik]]: ''Support-vector networks''. In: ''Machine Learning'', Bd. 20 (1995), Nr. 3, Seiten 273–297, {{ISSN|0885-6125}}.
* Sören Sonnenburg, Gunnar Rätsch, Christin Schäfer und Bernhard Schölkopf: ''[https://www.jmlr.org/papers/volume7/sonnenburg06a/sonnenburg06a.pdf Large Scale Multiple Kernel Learning]''. In: ''[[Journal of Machine Learning Research]]'', Bd. 7 (2006), Heft 7, Seiten 1531–1565, {{ISSN|1532-4435}}.
* Thorsten Joachims: ''Making large-scale SVM learning practical''. In: Bernhard Schölkopf, Christopher J. Burges, Alex J. Smola (Hrsg.): ''Advances in Kernel Methods. Support Vector Learning''. MIT Press, Cambridge, MA 1999, Seiten 169–184, ISBN 0-262-19416-3.
* Chih-Chung Chang, Chih-Jen Lin: ''[https://www.csie.ntu.edu.tw/~cjlin/libsvm/ LIBSVM. A library for support vector machines]''. 2001.

== Weblinks ==
* [https://www.shogun-toolbox.org/ offizielle Webpräsenz]

[[Kategorie:Freie Statistik-Software]]
[[Kategorie:Klassifizierung]]
[[Kategorie:Maschinelles Lernen]]

Shogun (Toolbox) - Versionsgeschichte

imported>Aka: /* Besonderheiten */ Tippfehler entfernt