Bernhard Suhm, MathWorks
Statistics and Machine Learning Toolbox™提供访问、预处理和可视化数据的工具;提取功能;培训和优化模型;以及为部署准备模型。
典型的工作流从访问、清理和预处理数据开始,为提取特征做准备。工具箱支持所有广泛使用的金宝app分类、回归和聚类算法,它使具有挑战性的建模部分更容易:
•用于培训和比较模型的点击应用程序
•自动超参数调整和特征选择,优化模型性能
•使用相同代码将处理扩展到大数据和集群
•与流行的开源工具相比,执行速度更快
使用MATLAB Coder™,您可以从机器学习模型自动生成C/ c++代码,用于嵌入式和高性能应用程序。
统计和机器学习工具箱提供了发现模式和选择特征的工具,使用应用程序训练分类或回归模型,并部署到企业和嵌入式系统。在本例中,回归模型使用多个数据源(包括带有时间戳的历史电力负荷数据和天气数据)预测未来电网负荷。您可以从描述性统计和可视化开始探索,包括比较均值和方差的箱形图,揭示集群和结构的树状图。
在MATLAB中对数据进行预处理后,可以根据预测器和响应之间的高相关性确定选择哪些变量作为特征。使用主成分分析确定占数据变异性大多数的转换特征或使用自动特征选择方法。
使用分类和回归学习者应用程序,您可以交互式地构建预测分类或回归模型,包括最近邻,决策树,和浅神经网络。优化超参数,将多个模型和交叉验证的结果与单独的测试数据进行比较,并使用混淆矩阵或ROC曲线可视化性能。许多工具箱算法处理内存不足的数据,而不需要任何代码更改。一旦你确定了一个机器学习模型,你可以使用MATLAB编译器将该模型部署到IT系统中,或者使用MATLAB Coder生成可以在嵌入式设备上使用的独立c代码。
您可以使用新数据增量地更新线性模型,也可以在不重新生成预测代码的情况下更新嵌入式模型。统计和机器学习工具箱提供各种统计功能,包括假设检验、方差分析和工业统计。要开始使用,请参考产品页面上的示例信息,或者下载下面的免费试用版。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。