统计和机器学习工具箱
使用统计和机器学习分析和模拟数据
统计和机器学习工具箱™提供描述，分析和模型数据的功能和应用。您可以使用描述性统计和图表进行探索数据分析，适用于数据的概率分布，为蒙特卡罗模拟生成随机数，并执行假设测试。回归和分类算法让您从数据和构建预测模型中汲取推断。
对于多维数据分析，统计和机器学习工具箱提供功能选择，逐步回归，主成分分析（PCA），正常化和其他维度减少方法，可让您识别影响您的模型的变量或功能。
工具箱提供有监督和无监督的机器学习算法，包括支持向量机(svm)、增强和袋装决策树，金宝appK.-最近的邻居，K.-方法，K.-medoids，分层聚类，高斯混合模型和隐藏的马尔可夫模型。许多统计和机器学习算法可用于计算太大的数据集上，该数据集太大而无法存储在存储器中。
开始
了解统计和机器学习工具箱的基础知识
描述性统计和可视化
数据导入和导出，描述性统计数据，可视化
概率分布
数据频率模型，随机样品生成，参数估计
假设试验
T检验，F试验，Chi-Square型拟合测试，以及更多
聚类分析
未经监督的学习技术，用于查找数据中的自然分组和模式
Anova.
方差和协方差分析，多变量Anova，重复措施Anova
回归
用于监督学习的线性，广义线性，非线性和非参数技术
分类
用于二进制和多标菌问题的监督学习算法
减少维度和特征提取
PCA，因子分析，特征选择，特征提取等
工业统计数据
实验设计（DOE）;存活和可靠性分析;统计过程控制
高阵列的大数据分析
分析内存失控数据
加快统计计算
平行或分布式计算统计功能
代码生成
为统计和机器学习工具箱功能生成C / C ++代码和MEX函数
您还可以从以下列表中选择一个网站：
