统计和机器学习工具箱™提供描述,分析和模型数据的功能和应用。您可以使用描述性统计,可视化和群集进行探索数据分析,适用于数据的概率分布,为Monte Carlo模拟生成随机数,并执行假设测试。回归和分类算法允许您使用AutomL使用分类和回归学习者应用程序的数据和建立预测模型的推论,并使用Automal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),正常化,维数减少和特征选择方法,可让您识别具有最佳预测功率的变量。
工具箱提供监督,半监督和无监督的机器学习算法,包括支持向量机(SVM),提升决策树,金宝appK.- eans和其他聚类方法。您可以应用偏依赖性地块和石灰等解释性技术,并自动生成用于嵌入式部署的C / C ++代码。许多工具箱算法可以用于太大的数据集,该算法太大,无法存储在内存中。
了解统计和机器学习工具箱的基础知识
数据导入和导出,描述性统计数据,可视化
数据频率模型,随机样品生成,参数估计
T检验,F试验,Chi-Square型拟合测试,以及更多
未经监督的学习技术,用于查找数据中的自然分组和模式
方差和协方差分析,多变量Anova,重复措施Anova
用于监督学习的线性,广义线性,非线性和非参数技术
用于二进制和多标菌问题的监督和半监督学习算法
PCA,因子分析,特征选择,特征提取等
实验设计(DOE);存活和可靠性分析;统计过程控制
分析内存失控数据
平行或分布式计算统计功能
为统计和机器学习工具箱功能生成C / C ++代码和MEX函数