统计和机器学习工具箱™ 提供用于描述、分析和建模数据的功能和应用程序。您可以使用描述性统计、可视化和聚类进行探索性数据分析,将概率分布与数据相匹配,为蒙特卡罗模拟生成随机数,并执行假设测试。回归和分类算法允许您从数据中得出推论,并使用“分类和回归学习器”应用程序以交互方式或使用AutoML以编程方式构建预测模型。
对于多维数据分析和特征提取,工具箱提供了主成分分析(PCA)、正则化、降维和特征选择方法,使您能够识别具有最佳预测能力的变量。
工具箱提供有监督、半监督和无监督机器学习算法,包括支持向量机(SVM)、增强决策树、,万博1manbetxK-方法和其他群集方法。您可以应用可解释性技术,如部分依赖图和LIME,并自动生成嵌入式部署的C/C++代码。许多工具箱算法可用于太大而无法存储在内存中的数据集。
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
数据频率模型、随机样本生成、参数估计
t检验、F检验、卡方拟合优度检验等
在数据中发现自然分组和模式的无监督学习技术
方差和协方差分析、多元方差分析、重复测量方差分析
用于监督学习的线性、广义线性、非线性和非参数技术
二类和多类问题的监督和半监督学习算法
主成分分析、因子分析、特征选择、特征提取等
实验设计;生存和可靠性分析;统计过程控制
分析内存不足的数据
统计函数的并行或分布式计算
为统计和机器学习工具箱函数生成C/C++代码和MEX函数
将统计和机器学习方法应用于特定于行业的工作流