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数据和图来进行探索性数据分析,将概率分布拟合到数据,生成蒙特卡洛模拟的随机数以及执行假设检验。回归和分类算法使您可以从数据中获取推论并构建预测模型。
对于多维数据分析,统计信息和机器学习工具箱提供特征选择,逐步回归,主组件分析(PCA),正则化和其他降低降低方法,可让您识别影响模型的变量或功能。
该工具箱提供了监督和无监督的机器学习算法,包括支持向量机(SVM),增强和行李的决策树,金宝appk-最近的邻居,k-方法,k- 介导,分层聚类,高斯混合模型和隐藏的马尔可夫模型。许多统计信息和机器学习算法可用于计算太大而无法存储在内存中的数据集。
入门
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,可视化
概率分布
数据频率模型,随机样品生成,参数估计
假设检验
t检验,f检验,卡方合适性测试等等
聚类分析
无监督的学习技术以查找数据中的自然组和模式
方差分析
分析方差和协方差,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
二进制和多类问题的监督学习算法
降低降低和特征提取
PCA,因子分析,特征选择,特征提取等等
工业统计
实验设计(DOE);生存和可靠性分析;统计过程控制
高数据分析高阵列
分析存储数据外数据
加快统计计算
统计功能的并行或分布式计算
代码生成
为工具箱功能生成C代码和MEX函数。
这个话题有帮助吗?