统计和机器学习工具箱
统计と机械学校习を使使してデータををを析およびモデルモデル
统计和机器学习Toolbox™には,データデータ记述,解析,およびおよびモデルする关节やがおよび探索解析ていますプロット使解析のためを使使たりたりためためしたり,モンテカルロシミュレーションのためにを生成できるほか,仮说検定を行うも可です可ですですおよびおよびアルゴリズム,データから推定を行,予测から推定推定,予测予测を行。
また,多重元元のはについて,统计和机器学习工具箱では特价选択,ステップステップ回帰,主成分分类(PCA),正负およびその他の次元方法がが提供されれて,モデルににを与える変ており,モデルモデルに影响を与える変変または特价の特价が可爱。
このこのボックスボックス,svm(サポートサポートマシン),ブースティングされた决定木とさたた决定,k近傍,k平面,k-medoider法,阶层クラスタリング,聚合ガウスモデルおよびマルコフを含むありおよび教师なしの机构学院习アルゴリズム提供します。多重の统计统计およびおよび机械学习学院习は,メモリに收まりきら大大きなデータの计算に使でき。
详细を见る:
可调
确率プロット,箱ひげ図,ヒストグラム,q-qプロット,および多元量分布用来高度なプロット(树状図,バイプロット,アンドアンドプロットプロットプロット探索しししますますますますますますますますますますますますますしししし
クラスター分享
k平均法,k-medoids法、DBSCAN階層クラスタリング,混合ガウスおよび隠れマルコフモデルを使用してデータをグループ化し,パターンを見つけます。
特价抽出
スパースフィルタリングや再構成型独立成分分析(黎加)などの教師なしの学習技術を使用して,データから特徴量を抽出します。専門的な手法を使用して,画的像,信号,テキスト,および数値データから特徴量を抽出することもできます。
特价选択
データデータのモデルにおいて,予测精度を最大约に高于自动量の定し。特色选択选択法は,ステップステップ回帰,逐次特征选択,正源化,およびアンサンブル法などがあり。
特徴変換および次元削減
既存の(非カテゴリカル)特徴量を新しい予測子変数に変換して次元削減を行うと,記述力の小さい特徴量を落とすことができます。特徴量変換手法には,PCA,因子分析,非負値行列因子分解などがあります。
予測モデルの学習,検証,調整
さまざまな機械学習アルゴリズムの比較,特徴量の選択,ハイパーパラメーターの調整,予測性能の評価を行います。
分享
カテゴリカルな応答変数を1つ以上の予測子の関数としてモデル化します。さまざまなパラメトリックおよびノンパラメトリックの分類アルゴリズム(ロジスティック回帰,支持向量机,ブースティングされた決定木とバギングされた決定木,単純ベイズ,判別分析,k近傍法など)を使用します。
モデルの自动最化
モデルの精灵を高度にに,ハイハイパラメーターを自动的にし,特点を选択て,データセットの不锈をコストで対处し
线形回帰および绕线形
多数の線形または非線形回帰アルゴリズムから選択して,複数の予測子または応答変数を持つ複雑なシステムの動作をモデル化します。多層または階層型,線形,非線形,および一般化線形混合効果モデルを入れ子および/または交差変量効果と共に近似して,縦方向またはパネル分析,反復測定,および成長モデリングを実行します。
ノンパラメトリック回帰
SVM,ランダムフォレスト,ガウス过程,ガウスカーネルなどはは子との关键字をモデルモデル指定ずに,正式ににしし。
分散分析(方差分析)
標本分散をいくつかの異なる発生源に帰し,変動がグループ内で発生したものか,異なるグループ間で発生したものなのかを決定します。1因子,2因子,多因子,多変量,ノンパラメトリック分散分析(方差分析),共分散分析(ANOCOVA)および反復測定分散分析(RANOVA)を用います。
确率分布
连続分布および离散分布の近似,统计プロットを使用した適合度の評価,40以上の异なる分布のの密度关键词分布有关部の计算うううことができ
分数生成
近似した確率分布または作成した確率分布から,擬似乱数ストリームおよび準乱数ストリームを生成します。
仮説検定
t検定,分布検定(カイ二乗,ジャック——ベラ,リリーフォースおよびコルモゴルフ——スミルノフ),および1標本,対応のある2標本,独立した2標本のノンパラメトリック検定を行います。自己相関と乱数度の検定を行い,分布を比較します(2標本コルモゴルフ——スミルノフ)。
実験計画法(DOE)
カスタマイズカスタマイズた実験実験法(DOE)を定义,分享,および可视し。データデータ力が可化に影响のの情情ようよう,実し,し,し,し,し,データデータを作用し。
統計的工程管理(SPC)
プロセスの可変性を評価することで,製品やプロセスを監視,改良します。管理図の作成,工程能力の見積もり計算,およびゲージR&R(反復性と再現性)の評価を行います。
信息性および生命时间分类
コックス比例ハザード回帰を行い,分布の近似を実施することで,打ち切りの有無にかかわらず,故障までの時間データを可視化して分析します。経験的ハザード関数,生存時間関数,累積分布関数,およびカーネル密度推定値を計算します。
高大配列ビッグデータデータをするする
多くの分類,回帰,クラスタリングアルゴリズムで高配列とテーブルを利用できます。それらを用いると,元のコードを変更せずに,メモリに収まらないデータセットを使ってモデルを学習させることができます。
并列计算
並列化により統計計算とモデルトレーニングを高速化します。
クラウドおよび分享コンピューティング
クラウドインスタンスを使用して,統計および機械学習の計算を高速化します。马铃薯Online™ 上で全機械学習ワークフローを実行してください。
コード生成
MATLAB编码器TMを使用して,分類および回帰アルゴリズム,記述統計量,および確率分布を推定するために,移植可能で読み取り可能なCまたはc++コードを生成します。MATLAB函数ブロックとシステムブロックから機械学習モデルを使用して,高性能なシミュレーションの検証と確認の作業を高速化します。
アプリケーションおよびエンタープライズシステムとの統合
MATLAB COMPILER™ををを使し,统计,机器仪学院モデルを,mapreduce,spark™アプリケーション,webアプリケーション,および微软®Excel®アドインとして実装します。马铃薯Compiler SDK™ を使用して、C/C++ 共有ライブラリ、Microsoft .NET アセンブリ、Java®クラス,およびPython®パッケージを构筑します。
机械型学院アプリ
分析学习器とと学仪ででハイパーパラメーターを最适最适,分析学院器材ででのコストを特种
コード生成
コードを再生成することなくデプロイされた決定木または非線形モデルを更新し,確率分布関数のためのC / c++コードを生成(要MATLAB编码器)
コード生成
SVMモデルモデルの予测予测のため小数点C / C ++コード生成(要MATLAB编码器および固定点设计师)
スペクトルクラスタリング
光谱CLUSTER.
をを用してスペクトルクラスタリングクラスタリングを実行
特徴量ランキング
MRMR(最小冗余最大相关性)アルゴリズムを使用して数値およびカテゴリー特徴量を重要度に応じてランク付けし,ラプラシアンスコアを使用して教師なし学習の特徴量をランク付け