c++ - support - svm en r
¿Conoce alguna buena biblioteca de máquinas de vectores de soporte(SVM) de c++? (6)
He usado SVMLight antes y me pareció muy estable y rápido. Tuve una buena experiencia al usarlo y lo recomendaría.
Sin embargo, creo que probablemente hay menos documentación en SVMLight que libSVM; solo los documentos de Thorsten Joachims y los comentarios en el código fuente. No encontré la fuente demasiado difícil de seguir en general, pero es necesario leer los documentos de antemano para entender el fondo. También está escrito en C puro, no en C ++, si eso te importa.
En cuanto a los "nuevos jugadores", la nueva investigación se centra principalmente en hacer que los algoritmos de optimización SVM sean más eficientes. Por ejemplo, usando un descenso de gradiente estocástico como en svmsgd y pegasos . No he visto las implementaciones de estos algoritmos, pero es un código de investigación, por lo que no esperaría que sean particularmente fáciles de seguir, si esa es su principal preocupación.
¿Conoces alguna buena biblioteca de c ++ svm? Probé libsvm http://www.csie.ntu.edu.tw/~cjlin/libsvm/ pero hasta ahora no estoy sorprendido.
También he oído hablar de SVMLight y TinySVM . ¿Has probado? ¿Algún jugador nuevo?
Gracias !
Aquí hay otra lista monstruosa de paquetes SVM, bibliotecas y aplicaciones SVM.
La mejor manera de comenzar es leer la guía libsvm que se proporciona en el sitio web, también, un buen tutorial inicial sobre cómo instalar libsvm, y puede encontrar la primera tarea de trainig / clasificación aquí: http://www.youtube .com / watch? v = gePWtNAQcK8 buena suerte con eso, también estoy empezando en estos días, bastante buenos resultados que tengo, pero todavía estoy afinando.
También hay dlib , que es silencioso completo.
En particular, existen algoritmos para realizar clasificaciones, regresiones, clustering, etiquetado de secuencias, detección de anomalías y clasificación de características, así como algoritmos para realizar cálculos más especializados.
SHARK es una biblioteca modular C ++ para el diseño y la optimización de sistemas adaptativos. Proporciona métodos para optimización lineal y no lineal, en particular algoritmos evolutivos y basados en gradiente, algoritmos de aprendizaje basados en kernel y redes neuronales, y varias otras técnicas de aprendizaje automático. SHARK sirve como una caja de herramientas para soportar aplicaciones del mundo real, así como para la investigación en diferentes dominios de inteligencia computacional y aprendizaje automático. Las fuentes son compatibles con las siguientes plataformas: Windows, Solaris, MacOS X y Linux.