统计和机器学习工具箱™提供的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,可视化和集群化的探索性数据分析,拟合概率分布数据,生成Monte Carlo模拟随机数,并进行假设检验。回归和分类算法让你从数据中得出的推论,并建立预测模型以交互方式,采用分类与回归学习应用程序,或以编程方式,使用AutoML。
对于多维数据分析和特征提取,工具箱提供主成分分析(PCA),正规化,降维和特征选择的方法,让你找出最好的预测能力的变量。
工具箱提供监督,半监督和无监督机器学习算法,包括支持向量机(SVM),升压决策树,金宝appķ-means,以及其他聚类方法。可以应用解释性的技术如部分依赖图和石灰,并自动生成C / C ++嵌入式部署代码。许多工具箱算法可以对数据集是太大而无法存储在内存中。
在MATLAB发现机器学习能力®对于分类,回归,集群和深度学习,包括应用程序的自动化模型训练和代码生成。
工作流进行训练,比较和改进的分类模型,包括自动,手动和平行训练。
工作流进行训练,比较和改善回归模型,包括自动,手动和平行训练。
直观地比较样品数据与指定的分布的经验分布。
产生从规定的概率分布的随机样本,以及显示器上显示的样本作为直方图。
了解监督学习的步骤和非参数分类和回归的功能特性。
地址与积极收集数据,统计建模问题。