Statistics and Machine Learning Toolbox™提供了描述、分析和建模数据的功能和应用程序。您可以使用描述性统计和图进行探索性数据分析,拟合数据的概率分布,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你从数据中推断并建立预测模型。
对于多维数据分析,统计学和机器学习工具箱提供特征选择、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。许多统计和机器学习算法可以用于计算过大的数据集,而这些数据集无法存储在内存中。
学习统计学和机器学习工具箱的基础知识
数据导入导出,描述性统计,可视化
数据频率模型,随机样本生成,参数估计
t检验,f检验,卡方拟合优度检验等等
在数据中寻找自然分组和模式的无监督学习技术
方差分析和协方差分析,多元方差分析,重复测量方差分析
用于监督学习的线性、广义线性、非线性和非参数技术
二进制和多类问题的监督学习算法
主成分分析、因子分析、特征选择、特征提取等
实验设计;生存和可靠性分析;统计过程控制
分析内存不足数据
统计函数的并行或分布式计算
为统计和机器学习工具箱函数生成C/ c++代码和MEX函数