Знаете ли вы хорошие библиотеки векторных машин с поддержкой С++?

Ответ 1

• SVMTorch (поддержка векторных машин для задач крупномасштабной регрессии), реализованных в torch библиотека машинного обучения.
• mySVM - на основе алгоритма оптимизации SVM-Light.

Полный список библиотек SVM можно найти здесь.

Ответ 2

Я использовал SVMLight раньше и нашел, что он очень стабильный и быстрый. У меня был хороший опыт использования и рекомендовал его.

Однако, я думаю, что, вероятно, меньше информации о SVMLight, чем libSVM; только статьи Торстена Йоакима и комментарии в исходном коде. Я не нашел источник слишком тяжелым, чтобы следовать в целом, но вам нужно заранее прочитать документы, чтобы понять предысторию. Он также написан на чистом C, а не на С++, если это имеет значение для вас.

Что касается "новых игроков", то новые исследования в основном сводятся к тому, чтобы алгоритмы оптимизации SVM были более эффективными. Например, используя стохастический градиентный спуск, как в svmsgd и pegasos, Я не смотрел на реализацию этих алгоритмов, но это исследовательский код, поэтому я не ожидал, что они будут особенно легко следовать, если это ваша главная проблема.

Ответ 3

Вот еще один список монстров пакетов SVM, библиотек и приложений SVM.

Ответ 4

Существует также dlib, что тихо.

В частности, существуют алгоритмы для выполнения классификации, регрессии, кластеризации, маркировки последовательности, обнаружения аномалий и ранжирования функций, а также алгоритмы для выполнения более специализированных вычислений.

Ответ 5

лучший способ начать работу - прочитать руководство по libsvm, представленное на веб-сайте, а также хорошее начальное видео-учебное пособие о том, как установить libsvm, а также выполнить первую задачу обучения/классификации ur: http://www.youtube.com/watch?v=gePWtNAQcK8 удачи с этим, я также просто начинаю его в эти дни, довольно хорошие результаты, которые я получил, но все еще настраивая его.

Ответ 6

shark

SHARK - это модульная библиотека С++ для проектирования и оптимизации адаптивных систем. Он предоставляет методы линейной и нелинейной оптимизации, в частности эволюционные и градиентные алгоритмы, алгоритмы обучения на основе ядра и нейронные сети, а также различные другие методы машинного обучения. SHARK служит в качестве инструмента для поддержки приложений реального мира, а также исследований в разных областях вычислительной разведки и машинного обучения. Источники совместимы со следующими платформами: Windows, Solaris, MacOS X и Linux.