LIBSVM: una biblioteca para máquinas de vectores de soporte, es posiblemente la mejor biblioteca para clasificación que he usado en mucho tiempo. Está disponible en c ++ y java, aunque hay extensiones disponibles para casi todos los idiomas principales. Tiene opciones para entrenar un modelo con un núcleo lineal, un núcleo polinomial, un núcleo RBF, e incluso le permite usar una matriz de gramo de núcleo previamente calculada. También tiene una implementación CUDA, en caso de que esté interesado. Pero, esta biblioteca es solo para SVM.
Otra biblioteca con la que estoy muy impresionado es PyBrain. Es fácil de usar, tiene interfaces con muchas de las bibliotecas existentes y admite una gran cantidad de algoritmos de aprendizaje. La mejor característica de pyBrain son los entornos. Estos son escenarios / casos de prueba bien diseñados para probar sus algoritmos.
Apache Mahout, también merece una posición debido a su ‘uso extensivo del marco MapReduce. Sin embargo, la elección de los algoritmos de clasificación es muy limitada. Y a menos que esté trabajando con texto, será un gran problema.
- En los modelos gráficos, ¿cuál es la diferencia entre un gráfico de clúster y un gráfico de factores?
- Cómo comparar el rendimiento de mis modelos de Deep Learning con puntos de referencia estándar cuando se utiliza el aumento de conjunto de datos
- ¿Debo ir a la Universidad de Radboud o Groningen para Machine Learning?
- Cómo calcular un proceso de red neuronal artificial
- En la calificación crediticia, ¿cuáles son las ventajas y desventajas del aprendizaje automático en relación con las técnicas de regresión tradicionales?
Pocos otros que vale la pena mencionar son Weka, MATLAB nntool, Shark, CRAN-R
