统计和机器学习工具箱
使用统计学和机器学习分析和建模数据
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,可视化和聚类来进行探索数据分析;适合数据的概率分布;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,半监督和非监督机器学习算法,包括支持向量机(svm),增强决策树,金宝appk-means和其他聚类方法。您可以应用部分依赖图和LIME等可解释性技术,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而无法存储在内存中的数据集。
开始:
免费电子书
掌握机器学习:使用MATLAB逐步指南
聚类分析
通过使用k-means, k-medoids, DBSCAN,层次和光谱聚类,高斯混合和隐马尔可夫模型对数据进行分组,发现模式。
特征提取
利用稀疏滤波和ICA重建等无监督学习技术从数据中提取特征。还可以使用专门的技术从图像、信号、文本和数字数据中提取特征。
功能选择
自动识别提供最佳预测电源的功能子集,可以在建模数据中。特征选择方法包括逐步回归,顺序特征选择,正则化和集合方法。
特征转换和减少维度
通过将现有(非分类)特征转换为新的预测变量来减少维度,其中可以丢弃更少的描述性功能。特征转换方法包括PCA,因子分析和非负矩阵分解。
训练、验证和调整预测模型
比较各种机器学习算法,包括浅神经网络,选择功能,调整HyperParameters,并评估许多流行分类和回归算法的性能。构建并自动使用交互式应用程序优化预测模型,并逐步改进具有流数据的模型。通过应用半监督学习来减少标记数据的需求。
模型的可解释性
通过使用生成添加剂模型(GAM)等固有的可解释模型来增强黑箱机器学习模型的可解释性,或者通过应用包括部分依赖性地块,个人有条件期望(ICE),局部可解释模型 - 不可知解释(石灰)和福利价值观。
自动化机器学习(Automl)
通过自动调整超参数,生成和选择功能和模型来提高模型性能,以及通过成本矩阵寻址数据集不平衡。
线性和非线性回归
从许多线性和非线性回归算法中选择多个预测器或响应变量对复杂系统的行为进行建模。拟合具有嵌套和/或交叉随机效应的多层次或层次化、线性、非线性和广义线性混合效应模型,以执行纵向或面板分析、重复测量和增长建模。
非参数回归
使用支持向量机、随机森林、浅神经网络、高斯过程和高斯核,无需指定描述预测器和响应之间关系的模型,即可生成精确的拟合。
方差分析
将样本方差分配给不同的源,并确定各种群体中是否出现在不同人群中。使用单向,双向,多路,多变量和非参数ANOVA,以及协方差分析(ANOCOVA)和反复措施的方差分析(RANOVA)。
假设检验
执行T检验,分配测试(Chi-Square,Jarque-Bera,Lipleiefors和Kolmogorov-Smirnov),以及一个,配对或独立样品的非参数测试。测试自动鼠标和随机性,以及比较分布(两个样本Kolmogorov-Smirnov)。
可靠性和生存分析
通过执行COX比例危险回归和拟合分布,可视化和分析故障时间数据。计算经验危险,幸存者和累积分布函数,以及内核密度估计。
用高数组分析大数据
使用带有许多分类、回归和聚类算法的高数组和表,在不改变代码的情况下,在不适合内存的数据集上训练模型。
并行计算
并行化加快统计计算和模型训练。
云计算和分布式计算
使用云实例加快统计和机器学习计算。在MATLAB Online™中执行完整的机器学习工作流程。
代码生成
生成可移植和可读的C或c++代码,用于推断分类和回归算法,描述性统计,和概率分布使用MATLAB Coder™。使用Fixed Point Designer™以降低精度生成C/ c++预测代码,并在不重新生成预测代码的情况下更新已部署模型的参数。
与仿真软件的集成金宝app
将机器学习模型与Simulink模型集成,以便部署到嵌入式硬件或进行系统仿真、金宝app验证和验证。
与应用程序和企业系统集成
部署独立的统计和机器学习模型,MapReduce或Spark™应用程序;作为web应用程序;或者是微软®Excel®使用Matlab Compiler™的加载项。构建C / C ++共享库,Microsoft .NET程序集,Java®课程和python®软件包使用MATLAB Compiler SDK™。