开始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
统计和机器学习工具箱™提供了描述,分析和模型数据的功能和应用程序。您可以使用描述性统计数据,可视化和聚类来进行探索性数据分析,将概率分布拟合到数据,生成蒙特卡洛模拟的随机数以及执行假设检验。回归和分类算法可让您从数据中汲取推论,并使用AUTOML使用分类和回归学习者应用程序,或者以编程方式进行交互性构建预测模型。
对于多维数据分析和特征提取,该工具箱提供主组件分析(PCA),正则化,降低性降低和特征选择方法,可让您识别具有最佳预测能力的变量。
该工具箱提供了监督,半监督和无监督的机器学习算法,包括支持向量机(SVM),增强决策树,万博1manbetxk- 均值和其他聚类方法。您可以应用解释性技术,例如部分依赖图和石灰,并自动生成嵌入式部署的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。
教程
- MATLAB的机器学习
在MATLAB中发现机器学习能力®用于分类,回归,聚类和深度学习,包括用于自动模型培训和代码生成的应用程序。
- 分类学习者应用中的火车分类模型
用于培训,比较和改进分类模型的工作流程,包括自动化,手动和并行培训。
- 回归学习者应用中的火车回归模型
用于培训,比较和改进回归模型的工作流程,包括自动化,手动和并行培训。
- 分销图
在视觉上比较样品数据的经验分布与指定分布。
- 探索随机数生成UI
从指定的概率分布中生成随机样品,并显示样品作为直方图。
- 监督学习工作流程和算法
了解监督学习的步骤以及非参数分类和回归功能的特征。
- 实验的设计
通过主动数据收集解决统计建模问题。