开始使用统计和机器学习工具箱

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。

教程

• 机器学习在MATLAB
  

  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。

• 在分类学习应用火车站分类模型
  

  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。

• 在回归学习应用列车回归模型
  

  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。

• 分布图
  

  直观地比较样品数据与指定的分布的经验分布。

• 探索随机数生成UI
  

  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。

• 监督学习工作流程和算法
  

  了解监督学习的步骤和非参数分类和回归的功能特性。

• 实验设计
  

  地址与积极收集数据，统计建模问题。