La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.
统计和机器学习工具箱™ProPorciona funciones y Apps Para描述,Analizar y Modelar Datos。Puede utilizar estadísticas descriptivas, visualizaciones y clustering para realizar un análisis exploratorio de los datos, ajustar distribuciones de probabilidad a los datos, generar números aleatorios para simulaciones de Montecarlo y llevar a cabo pruebas de hipótesis.los algoritmos deregresión和clasificaciónleveren hacer subleencias a partir de los datos y Construir Modelos Predictivos,Ya sea de ema de forma Interactiva,con las apps apps apps apps apps y Remissionner y Remissionner,o de forma proginala proginuta proginuta,Utilizando automll。
Para el análisis de datos multidimensionales y la extracción de características, la toolbox ofrece métodos de análisis de componentes principales (ACP), regularización, reducción de la dimensionalidad y selección de características que permiten identificar las variables con el mejor poder predictivo.
La toolbox proporciona algoritmos de machine learning supervisado, semisupervisado y no supervisado, incluyendo máquinas de vectores de apoyo (SVM, por sus siglas en inglés), árboles de decisión potenciados,k-medias y otros métodos de formación de clusters. Puede aplicar técnicas de interpretación como gráficas de dependencia parcial y LIME, y generar automáticamente código C/C++ para despliegues integrados. Muchos algoritmos de la toolbox pueden utilizarse en conjuntos de datos que resultan demasiado grandes para ser almacenados en la memoria.
Aprender los aspectos básicos de Statistics and Machine Learning Toolbox
Importación y exportación de datos, estadísticas descriptivas, visualización
Modelos de frecuencia de datos, generación de muestras aleatorias y estimación de parámetros
prueba de t, prueba de F, prueba de bondad de ajuste de chi-cuadrado y muchas más
Técnicas de aprendizaje no supervisado para hallar grupos naturales y patrones en los datos
Análisis de la varianza y la covarianza, ANOVA multivariante, ANOVA de medidas repetidas
Técnicas lineales, lineales generalizadas, no lineales y no paramétricas para el aprendizaje supervisado
Algoritmos de aprendizaje supervisados y semisupervisados para problemas binarios y multiclase
PCA, análisis factorial, selección de características, extracción de características y mucho más
Diseño de experimentos (DOE, por sus siglas en inglés); análisis de supervivencia y fiabilidad; control estadístico de procesos
Analizar datos con memoria insuficiente
Cálculo paralelo o distribuido de las funciones estadísticas
Genere código C/C++ y funciones MEX para las funciones de Statistics and Machine Learning Toolbox