统计和机器学习工具箱™提供功能和应用程序来描述、分析和建模数据。您可以使用描述性统计、可视化和聚类来进行探索性数据分析,将概率分布拟合到数据上,为蒙特卡洛模拟生成随机数,并执行假设检验。回归和分类算法允许您从数据中进行推断并构建预测模型,可以是交互地使用分类和回归学习应用程序,也可以是编程地使用AutoML。
对于多维数据分析和特征提取,工具箱提供了主成分分析(PCA)、正则化、降维和特征选择方法,使您能够识别具有最佳预测能力的变量。
该工具箱提供监督、半监督和无监督机器学习算法,包括支持向量机(SVMs)、增强决策树、金宝appk——和其他聚类方法。您可以应用可解释性技术,如部分依赖图和LIME,并为嵌入式部署自动生成C/ c++代码。许多工具箱算法可以用于太大而无法存储在内存中的数据集。
在MATLAB中发现机器学习能力®用于分类、回归、聚类和深度学习,包括用于自动模型训练和代码生成的应用程序。
用于培训、比较和改进分类模型的工作流,包括自动、手动和并行培训。
用于培训、比较和改进回归模型的工作流,包括自动、手动和并行培训。
直观地比较样本数据的经验分布与特定分布。
从指定的概率分布中生成随机样本,并以直方图的形式显示样本。
理解监督学习的步骤和非参数分类和回归函数的特征。
使用活动数据收集解决统计建模问题。