统计和机器学习工具箱™提供功能和应用程序来描述、分析和建模数据。您可以使用描述性统计和绘图来进行探索性数据分析,将概率分布拟合到数据,为蒙特卡洛模拟生成随机数,并执行假设检验。回归和分类算法让您从数据中得出推论并构建预测模型。
对于多维数据分析,统计和机器学习工具箱提供了特征选择、逐步回归、主成分分析(PCA)、正则化和其他降维方法,让你识别变量或影响你的模型的特征。
工具箱提供监督和非监督机器学习算法,包括支持向量机(SVMs),增强和袋决策树,万博1manbetxk最近的邻居,k则,k-medoids,层次聚类,高斯混合模型,和隐马尔科夫模型。许多统计数据和机器学习算法可以用于计算那些太大而无法存储在内存中的数据集。
学习统计学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等
在数据中发现自然分组和模式的无监督学习技术
方差分析、协方差分析、多变量方差分析、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
用于二进制和多类问题的监督学习算法
主成分分析、因子分析、特征选择、特征提取等等
实验设计(DOE);生存和可靠性分析;统计过程控制
分析内存不足数据
统计函数的并行或分布式计算
生成C/ c++代码和MEX函数的统计和机器学习工具箱函数