开始使用统计和机器学习工具箱

Statistics and Machine Learning Toolbox™提供了描述、分析和建模数据的功能和应用程序。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，拟合数据的概率分布，为蒙特卡罗模拟生成随机数，并执行假设检验。回归和分类算法可以让您从数据中推断并构建预测模型，可以使用classification和Regression Learner应用程序进行交互，也可以使用AutoML进行编程。

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。

工具箱提供有监督、半监督和无监督的机器学习算法，包括支持向量机(svm)、增强决策树、金宝appk-means和其他聚类方法。您可以应用部分依赖图和LIME等可解释性技术，并自动生成用于嵌入式部署的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。

教程

• MATLAB中的机器学习
  

  在MATLAB中发现机器学习能力^®用于分类、回归、聚类和深度学习，包括用于自动化模型训练和代码生成的应用程序。

• 在分类学习者应用程序中训练分类模型
  

  培训、比较和改进分类模型的工作流，包括自动化、手动和并行培训。

• 在回归学习者应用程序中训练回归模型
  

  用于培训、比较和改进回归模型的工作流，包括自动化、手动和并行培训。

• 分布的情节
  

  直观地将样本数据的经验分布与特定的分布进行比较。

• 探索随机数生成UI
  

  从指定的概率分布生成随机样本，并将样本显示为直方图。

• 监督学习工作流和算法
  

  了解监督学习的步骤和非参数分类和回归函数的特点。

• 实验设计
  

  用活动数据收集解决统计建模问题。