统计和机器学习工具箱™提供功能和应用程序来描述、分析和模型数据。您可以使用描述性统计和探索性数据分析情节,符合数据概率分布,生成随机数的蒙特卡罗模拟,并执行假设测试。回归和分类算法让你从数据得出结论并建立预测模型。
多维数据分析,统计和机器学习工具箱提供特征选择、逐步回归、主成分分析(PCA)、正规化和其他降维方法,让你确定模型变量或特性的影响。
工具箱提供了监督和非监督机器学习算法,包括支持向量机(svm),提高了袋装决策树,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数据集太大被存储在内存中。
发现在MATLAB的机器学习能力®分类、回归、聚类和深度学习,包括应用自动化模型训练和代码生成。
工作流程培训、比较和提高分类模型,包括自动、手动和并行训练。
工作流程培训、比较和改进回归模型,包括自动、手动和并行训练。
比较数据分布使用中位数、四分位范围和百分位数。
视觉上比较样本的经验分布数据与指定的分布。
从指定的概率分布生成随机抽样,并显示样品显示为直方图。
理解监督学习的步骤和非参数分类和回归函数的特点。
地址活跃数据收集统计建模问题。