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

Statistics and Machine Learning Toolbox™提供用于描述、分析和建模数据的函数和应用程序。您可以使用描述性统计和图表进行探索性数据分析,将概率分布与数据相匹配,为蒙特卡罗模拟生成随机数,并执行假设检验。回归和分类算法使您能够从数据中得出推论并构建预测模型。

对于多维数据分析,Statistics and Machine Learning Toolbox提供了特性选择、逐步回归、主成分分析(PCA)、正则化和其他降维方法,这些方法可以识别影响模型的变量或特性。

工具箱提供监督和非监督的机器学习算法,包括支持向量机(SVMs),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,隐马尔科夫模型。许多统计数据和机器学习算法都可以用于计算大到无法存储在内存中的数据集。

开始

学习基本的统计和机器学习工具箱

描述性统计与可视化

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,随机样本生成,参数估计

假设测试

t检验,f检验,卡方拟合优度检验,等等

聚类分析

在数据中发现自然分组和模式的无监督学习技术

方差分析

方差分析和协方差分析,多变量方差分析,重复测量方差分析

回归

监督学习的线性、广义线性、非线性和非参数技术

分类

用于二进制和多类问题的监督学习算法

降维和特征提取

主成分分析,因素分析,特征选择,特征提取,等等

工业统计数据

实验设计(DOE);生存和可靠性分析;统计过程控制

用大数组分析大数据

分析内存不足数据

加快统计计算

统计函数的并行或分布式计算

代码生成

为统计和机器学习工具箱函数生成C/ c++代码和MEX函数