统计和机器学习工具箱
使用统计和机器学习分析和建模数据
统计和机器学习工具箱™提供了描述、分析和模型数据的功能和应用程序。您可以使用描述性统计和图表进行探索性数据分析,将概率分布拟合到数据上,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得出推论并构建预测模型。
对于多维数据分析,统计和机器学习工具箱提供了特征选择、逐步回归、主成分分析(PCA)、正则化和其他降维方法,让您识别影响模型的变量或特征。
工具箱提供有监督和无监督机器学习算法,包括支持向量机(svm)、提升和袋装决策树、金宝appk最近的邻居,k则,k-medoids、层次聚类、高斯混合模型和隐马尔可夫模型。许多统计数据和机器学习算法都可以用来计算大到无法存储在内存中的数据集。
开始
学习统计学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,可视化
概率分布
数据频率模型,随机样本生成,参数估计
假设测试
t检验,f检验,卡方拟合优度检验等等
聚类分析
无监督学习技术,以发现数据中的自然分组和模式
方差分析
方差和协方差分析,多变量方差分析,重复测量方差分析
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
二元和多类问题的监督学习算法
降维与特征提取
主成分分析、因子分析、特征选择、特征提取等等
工业统计数据
实验设计;生存可靠性分析;统计过程控制
高阵列大数据分析
分析内存不足数据
加速统计计算
统计函数的并行或分布式计算
代码生成
为工具箱函数生成C代码和MEX函数。