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。
学习统计和机器学习工具箱的基础知识
数据导入和导出,描述性统计,可视化
数据的频率模式,随机样品生成,参数估计
t检验,F检验,卡方拟合优度检验,和更
无监督学习技术来发现数据的自然分组和模式
方差和协方差分析,多元方差分析,重复测量方差分析
线性,广义线性,非线性,以及用于监督学习非参数方法
监督和半监督学习的二进制和多类问题的算法
PCA,因子分析,特征选择,特征提取,多
试验设计(DOE);生存和可靠性数据;统计过程控制
分析出的内存数据
统计功能并行或者分布式计算
生成统计和机器学习工具箱功能的C / C ++代码和MEX功能