如前所述，SHOGUN可以为多种语言提供接口，其中包括Matlab(tm), R, Python以及Octave。下面是关于这些静态接口的简介。对所有的静态接口，我们力求在所有语言都保持相同的语法风格。然而在某些情况下这是不可能的，我们会在相关的文档中描述这些不同。在阅读这些文档之前，我们建议读者先看一下examples 目录下的大量例子。例如，在examples/R目录和examples/python 目录。

静态接口概览和安装测试

接口命令

命令参考手册

函数参考

静态接口概览和安装测试

静态matlab和octave接口

因为目前octave与matlab基本相同，对这两个接口一个文档已经足够，该文档基于octave （matlab可以相同地使用）

要在octave中使用SHOGUN，首先启动octave，使用以下命令检测SHOGUN是否被正确安装：

  sg('help')

这将显示shogun的帮助文本。

静态Python接口

要在python中使用SHOGUN，首先启动python，使用以下命令检测SHOGUN是否被正确安装

  from sg import sg
  sg('help')

这将显示shogun的帮助文本。

静态R接口

要在R中使用SHOGUN，需要检测SHOGUN是否已被正确安装在R中。在R的命令行中输入（>为提示符）

  > library()

将返回R的所有已安装包的列表，如果SHOGUN已安装会有sg这一项：

  sg                     The SHOGUN Machine Learning Toolbox

当你确定SHOGUN已被正确安装，你可以通过下面命令加载它：

  > library(sg)

你可以看到关于SHOGUN的一些信息，如编译选项等。使用这个命令加载后，你就可以使用 SHOGUN提供的命令。

一般来说，SHOGUN中的命令通过函数sg(...)来调用。如果你想查看SHOGUN命令的帮助，可以输入

  > sg('help')

你可以看到一个帮助，该帮助对所有命令都有一个简单描述。

静态接口命令

feature相关函数

这些函数在各种接口中将数据传给shogun或者从shogun获得数据。假如你有一个包含数据的matlab矩阵或者R矩阵，你想将这些数据传给shogun，你只需要像下面这样：

set_features

sg('set_features', 'TRAIN|TEST', features[, DNABINFILE|<ALPHABET>])

add_features

sg('add_features', 'TRAIN|TEST', features[, DNABINFILE|<ALPHABET>])

feature可以是char/byte/word/int/real值的矩阵，实值稀疏矩阵及字符串。当处理字符串时，需要指定一个字母表（如DNA, RAW, ...）。使用'TRAIN'告诉SHOGUN这是你用于训练分类器的数据，使用'TEST'来说明这是测试数据。

与set_features 相反，add_features 将新建一个feature对象并将输入的feature添加进去。这个命令在需要处理一组不同的feature（如实数和字符串）或者多个核函数时很有用。

如果通过set_features传递了一个字符串，它可以通过滑动窗口来变成多个字符串。可以使用

from_position_list

sg('from_position_list', 'TRAIN|TEST', winsize, shift[, skip])

或者

obtain_from_sliding_window

sg('obtain_from_sliding_window', winsize, skip)

通过下面的命令来删除features

clean_features
```
sg('clean_features') 
```

从shogun获取Features

get_features

[features]=sg('get_features', 'TRAIN|TEST')

向训练数据传递labels及从shogun获取labels,也是采用类似的方法。下面这两个命令

set_labels
```
sg('set_labels', 'TRAIN', trainlab) 
```

get_labels

[labels]=sg('get_labels', 'TRAIN|TEST')

分别将labels赋给训练数据及从shogun返回labels(注意trainlab的数据已经传给shogun，对trainlab的修改不会影响训练)。

核函数和距离

这些命令用于创建、获取和设置核函数矩阵。

在shogun中创建一个核函数

set_kernel

sg('set_kernel', 'KERNELNAME', 'FEATURETYPE', CACHESIZE, PARAMETERS)

add_kernel

sg('add_kernel', WEIGHT, 'KERNELNAME', 'FEATURETYPE', CACHESIZE, PARAMETERS)

这里KERNELNAME是核函数名字，FEATURETYPE是feature的类型（例如，REAL代表标准实数feature向量），CACHESIZE是分配给核函数的缓存（以MB为单位），PARAMETERS为其它参数。

已实现的核函数

在SHOGUN中已实现的核函数有以下这些：

AUC
Chi2
Spectrum
Const Kernel
User defined CustomKernel
Diagonal Kernel
Kernel from Distance
Fixed Degree StringKernel
Gaussian $k(x,x')=e^{-\frac{||x-x'||^2}{\sigma}}$

想要在实数空间中使用一个高斯核函数，可以这样

sg('set_kernel', 'GAUSSIAN', 'TYPE', CACHESIZE, SIGMA)

例如：

sg('set_kernel', 'GAUSSIAN', 'REAL', 40, 1)

这样便创建了一个实数空间上的高斯核函数，它的缓存为40MB，sigma值为1。在高斯核函数可使用的值类型有：REAL, SPARSEREAL。

Gaussian Shift Kernel
Histogram Kernel
Linear $k(x,x')=x\cdot x'$

通过下面这样可以创建一个线性核函数：

sg('set_kernel', 'LINEAR', 'TYPE', CACHESIZE)

例如：

sg('add_kernel', 1.0, 'LINEAR', 'REAL', 50')

这样创建了一个实值的线性核函数，其中缓存为50MB，权重为1.0。

线性核函数可使用的值类型：BYTE, WORD CHAR, REAL, SPARSEREAL。

Local Alignment StringKernel
Locality Improved StringKernel
Polynomial Kernel $k(x,x')=(x\cdot x')^d$

通过下面这样可以创建一个多项式核函数：

sg('set_kernel', 'POLY', 'TYPE', CACHESIZE, DEGREE, INHOMOGENE, NORMALIZE)

例如：

sg('add_kernel', 0.1, 'POLY', 'REAL', 50, 3, 0)

添加了一个多项式核函数。多项式核函数可使用的值类型：REAL,CHAR, SPARSEREAL。

Salzberg Kernel
Sigmoid Kernel 下面这样可以创建一个Sigmoid核函数：

sg('set_kernel', 'SIGMOID', 'TYPE', CACHESIZE, GAMMA, COEFF)

例如：

sg('set_kernel', 'SIGMOID', 'REAL', 40, 0.1, 0.1)

创建了一个实值sigmoid核函数，缓存为40MB，gamma值为0.1，还有一个值为0.1的系数。sigmoid 核函数可使用的值类型：REAL。

Weighted Spectrum Kernel
Weighted Degree Kernels
Match Kernel
Custom Kernel

set_custom_kernel
```
sg('set_custom_kernel', kernelmatrix, 'DIAG|FULL|FULL2DIAG') 
```
此外，用户也可以自定义核函数，定义时可以指定一个上三角矩阵（DIAG），全矩阵（FULL），或者用上三角矩阵保存的全矩阵（FULL2DIAG）。

get_kernel_matrix和get_distance_matrix这两个命令分别用于返回核函数矩阵和距离矩阵。

get_distance_matrix

[D]=sg('get_distance_matrix', 'TRAIN|TEST')

get_kernel_matrix

[K]=sg('get_kernel_matrix', 'TRAIN|TEST')

km refers to a matrix object.

SVM

new_classifier 新建一个分类器 (例如一个SVM实例).
train_classifier 利用设置的features和核函数训练SVM

get_svm命令返回一个SVM的相关属性，如Langrange乘数alpha,偏置量b，支持向量的下标（从0开始）。

get_classifier
```
[bias, alphas]=sg('get_svm') 
```
set_classifier
```
sg('set_classifier', bias, alphas) 
```

get_classifier命令返回一系列参数。set_classifier可用于设置alpha和b。

测试样本的分类结果通过下面方式得到：

classify
```
[result]=sg('classify') 
```
classify_example
```
[result]=sg('classify_example', feature_vector_index) 
```
结果是一个向量，包含每一个数据点的分类结果，classify_example 只返回一个指定数据点的分类结果（注意python中的下标是以0开始，而在octave, matlab, R中是以1开始的）。

HMM

get_hmm
set_hmm
hmm_classify
hmm_classify_example
hmm_likelihood
get_viterbi_path

POIM

compute_poim_wd
get_SPEC_consensus
get_SPEC_scoring
get_WD_consensus
get_WD_scoring

实用程序

其它函数

返回shogun版本号

help
```
sg('get_version') 
```

获取帮助文本

help
```
sg('help') 
```
help
```
sg('help', 'CMD') 
```

设置调试日志等级，这在跟踪错误时有用。

loglevel
```
sg('loglevel', 'LEVEL') 
```
等级可为DEBUG, WARN, ERROR之一
ALL: 极为详细的日志输出 (只在内存泄漏时比较有用)。
DEBUG: 详细的日志输出 (调试时有用)。
WARN: 少量日志输出 (查找错误时有用)。
ERROR: 只在遇到致命错误时才输出日志。

例如

  > sg('loglevel', 'ALL')

会显示所有操作。

通过学习上面的相关命令，你现在可以编写自己的SHOGUN应用程序。

例子

让我们来合并这个例子：

```
sg('set_features', 'TRAIN', traindat) 
```
将traindat中的数据注册为训练数据。

```
sg('set_labels', 'TRAIN', trainlab) 
```
注册训练label。

sg('set_kernel', 'GAUSSIAN', 'REAL', 100, 1.0)

创建一个高斯核函数。

```
sg('new_classifier', 'SVMLIGHT') 
```
创建一个SVM对象。

```
sg('c', 20.0)  
```
将SVM的C值高为20.0。

```
sg('train_classifier') 
```
将数据传给核函数并作使用这些样本训练分类器。

```
sg('set_features', 'TEST', testdat) 
```
注册测试样本

```
out=sg('classify') 
```
attaches the data to the kernel and classifies. Then 将数据传给核函数及分类器。然后通过一个向量返回分类结果。