统计和机器学习工具箱
分析了机器学习的模型
统计和机器学习工具箱™比例函数的应用程序描述,分析模型数据。请利用estadística描述,可视化,agrupación para el análisis数据的探索,数据的概率分布,一般números aleatorios para simulacaciones Montecarlo和实现,hipótesis。Los algoritmos de regresión y clasificación允许额外推断Los datos y crear modelos predictivos de forma interactiva (utilzdo las apps Classification Learner y Regression Learner)或programática (utilzdo AutoML)。
对位el分析德拿督多维y la extraccion de caracteristicas la工具箱proporciona metodos de分析de组件螯(PCA), regularizacion, reduccion de dimensionalidad y de caracteristicas seleccion permiten要区分变量con la maxima capacidad predictiva。
Esta工具箱比例算法机器学习监督,半监督和无监督,包括máquinas de vector soporte (SVM), árboles de decisión boost, K-means y otros métodos de agrupación。Puede applicar técnicas de interpretabilidad tales como gráficas de dependcia parcial y LIME, así como generar automáticamente código C/ c++ para el despliegue embed。在我们的工具箱里,我们的算法是这样的,我们可以把我们的儿子的名字和记忆联系起来。
Mas给:
Visualizaciones
探索los datos de manera视觉媒体gráficas de probabilidad, gráficas de cajas, histogramas, gráficas cuantil-cuantil y gráficas avanzadas para análisis multivariante, tales como dendrogramas, gráficas de dispersión biespaciales y gráficas de Andrews。
Estadistica descriptiva
概括性地描述rápidamente合意的数据潜力tamaño中值的数据来源números关联度。
分析德集群
我们可以从数据中选择K-means, K-medoids, DBSCAN, agrupación jerárquica y谱,高斯和马尔科夫的mezclas和ocultos模型。
Extraccion de caracteristicas
Extraiga características de los datos mediante técnicas de aprendiaje no storado tales como el filtrado disperse y la reconstrucción con el análisis de componentes independent (ICA)。También puede utilzar técnicas especializadas para extraer características de datos de imágenes, señales, texto y numéricos。请注意:características automáticamente是数据表的一部分,请参照clasificación y regresión。
Seleccion de caracteristicas
将automáticamente作为从属连词características确定为máxima capacidad predictiva al modelar los datos。Entre los métodos de selección de características se incluyen la regresión por pasos, la selección de características secuencial, la regularización y los métodos de ensemble。
Transformación de características y reducción de la dimensionalidad
Reduzca la dimensionalidad transformado las características existentes (no categóricas) en evas variables de predicción cuando se pueda prescindir de las características menos descriptivas。在métodos de transformación de características se inclyen el análisis PCA, el análisis de因子y la factorización矩阵没有负数。
因此,有效地调整预测模型
比较不同的机器学习算法,包括深奥的神经元理论,seleccione caracteristicas,调整hiperparámetros y evalúe el rendimiento de muchos algoritmos de clasificación y regresión de uso习惯性。最理想的是automáticamente modelos predictivos con apps interactivas,你可以使用modelos incrementalmente con datos de streaming。这是一种半监督式的礼仪。
Interpretabilidad de莫德罗
机器学习的可解释性是自然可解释性的中间模型,可解释性是generadores (GAM)的中间模型,应用程序métodos可解释性是建立可解释性的基础,可解释性是特定的,预期的个人条件(ICE),根据沙普利的解释性模型(LIME)和价值的独立解释。
机器学习自动化
我想把它放在我们的模型hiperparámetros上,把它放在características上,把它放在模型上,把它放在形式成本的矩阵的合数的平衡上,automática。
Regresión线性y没有线性
完整系统的组合模型可以在线性和非线性的许多算法中预测不同的重新适用的变量。调整多个模型jerárquicos,线性,没有线性和混合的线性,一般的线性和任意的线性和/或cruzados, para实现análisis纵向的面板y modelado de mediado repetidas del recimiento。
Regresion没有parametrica
这是一种准确的描述模型,它描述了我们的预测和我们的恢复和支持向量机,它描述了表面神经元,高斯核。
Análisis de la varianza(方差分析)
如果你想要一个与众不同的网站orígenes,你可以确定这个网站variación。Utilice ANOVA de una vía, de dos vías, multivía, multivariante y no paramétrico, así como análisis de la covarianza (ANOCOVA) y análisis de medidas repetidas de la varianza (RANOVA)。
Distribuciones de probabilidad
对连续的y离散分布进行调整翻译estadisticas对调整函数求值,计算概率函数和累加函数Más有40种不同的分布.
Generación de números aleatorios
这是我们的作品números pseudoaleatorios和cuasialeatorios的一部分,distribución de probabilidad as a construcida。
Comprobacion de hipotesis
Realice pruebas T, pruebas de distribuciones (chi cuadrado, Jarque-Bera, Lilliefors y Kolmogorov-Smirnov) y pruebas no paramétricas para muestras únicas, apareadas o independent。Pruebe la autocorrección y la aleatoriedad, y compare distribuciones (Kolmogorov-Smirnov para dos muestras)。
Diseño de experimentos (DOE)
定义,分析实验(DOE)的个性化。Cree y pruebe planes prácticos para enseñar a man操纵las entradas de datos y a la vez a generar información sobre sus efectos en los datos de salida。
控制程序estadísticos (SPC)
监督生产过程中的产品,评估生产过程中的变化。我们可以gráficas控制,我们可以在我们的现实进程中保持清醒,保持重复,保持可再生产,保持中间设备medición。
Análisis de fiabily y supervise
我们可以看到,我们的时间和地点是一致的,我们可以根据我们的时间和地点的比例来确定我们的时间和地点,我们可以调整我们的分布。计算riesgos函数empíricos,监督函数distribución累加函数,así核的估计函数。
Análisis de大数据数组
使用数组与clasificación, regresión y agrupación的算法相一致的数据模型不能在内存中修改su código。
Computacion paralela
欢迎来到computación estadística,欢迎来到paralelización。
Computación en la nube y distribuida
在机器学习中,我们可以把实例应用于计算机学习。Ejecute la totalidad del flujo de trabajo de machine learning en MATLAB Online™。
Generacion de脏污
generere código Co c++ portátil y legible para la inference de algoritmos de clasificación y regresión, estadística descriptiva y distribuciones de probabilidad usando MATLAB Coder™。generere código C/ c++ de predicción con precisión reducida utilzdo Fixed Point Designer™y actualice los parámetros delos modelos desplegados sin necesidad de regenerar el código de predicción。
Integracion con仿万博1manbetx真软件
集成机器学习模型和Simulink模型,并在硬件上嵌入simulación, verificación万博1manbetx y validación del sistema。
Integración适用于企业系统
Despliegue modelos estadísticos y de machine learning como apps autónomas MapReduce o Spark™,como apps web o como complementary de Microsoft®Excel®usando MATLAB编译器™。Cree librerías C/ c++ comppartidas, ensamblados微软®.NET, Java类®y paquetes de Python®mediante MATLAB Compiler SDK™。
recurso项目del producto:
机器学习斜坡弯道
交互式介绍用于分类问题的实际机器学习方法。