要在高维数据集上进行更快的训练，请使用Fitrinear.和fitclinear分别拟合正则化、线性回归和二元分类模型。对于多类分类问题，使用创建线性分类模型模板来指定参数templateLinear，然后将模板对象传递给fitcecoc.进行训练。

线性回归模型包括支持向量机和最小二乘回归模型，二元分类模型包括支持向量机和万博1manbetxlogistic回归模型。你还可以在目标函数中加入一个套索或山脊惩罚。该软件优化的目标函数使用任何这些算法:

• 随机梯度下降法

• 平均SGD.

• Broyden-Fletcher-Goldfarb-Shanno(高炉煤气)

• 内存有限bfg (LBFGS)

• 可分离近似稀疏重建(SpaRSA)

提高执行速度时训练使用fitclinear，Fitrinear.,或fitcecoc.，对预测器数据进行定位，使列与观测值相对应，并设置“ObservationsIn”、“列”．

Fitrinear.和fitclinear返回：

• RegressionLinear和分类线性默认情况下，分别建模对象

• 回归分支机构和分类分类线性指定交叉验证的模型对象

对于使用线性分类模型的多字母分类问题，fitcecoc.返回:

• 一个CompactClassificeCoc.模型组成分类线性模型对象

• 一个ClassificationPartitionedLinearECOC模型对象时指定交叉验证

与统计和机器学习工具箱™中的其他回归和分类模型对象不同，这些对象不会存储培训数据。但是，有一些例外，语法和方法类似于其他回归和分类模型对象的语法和方法。例如，为了预测新数据的响应或类，将培训的线性回归或分类模型对象传递给预测．

分类学习器帮助您探索使用监督机器学习对数据进行分类的训练模型的方法。在R2016a中，应用程序的新功能包括:

• 自动分类器训练。开始时，只需点击一下，就可以在数据上自动训练不同的分类模型。使用自动化培训来快速尝试模型类型的选择，然后交互地探索有希望的模型。模型在训练时显示进度条，您可以在模型之间或验证折叠之间中断训练。该应用程序突出了最佳的准确性分数。

• 课程可视化的结果。在散点图中，显示或隐藏特定类，或仅关注正确或不正确的预测。

• 逻辑回归分类。对你的数据尝试一种流行的基线分类技术。

有关详细信息,请参见在分类学习者应用程序中训练分类模型．

的算法kmeans，kыinoids.,fitgmdist（为了+初始化方法)显示出改进的性能，特别是当数据中有大量集群时。

ksdensity现在支持万博1manbetx拟合和绘制双变量样本数据的概率密度估计。使用新的名称值对'plotfcn'选择Bivariate样本数据的绘图类型。从一个轮廓图，3-D线绘图，3-D阴影表面图，或在3-D阴影表面图下的轮廓图。

使用mvksdity拟合多元数据的概率密度估计。

有一个新的概率分布对象，用于稳定分布。该分布通常用于模拟需要重型分布的财务和其他数据。使用Fitdist.将这个分布与数据拟合。使用makedist直接指定分发参数。任一函数产生概率分布对象，您可以使用来生成随机样本或计算功能，例如PDF和CDF。

半正态分布有一个新的概率分布对象。该分发通常用于模拟截断的数据。

• 使用Fitdist.将这个分布与数据拟合。使用makedist直接指定分发参数。任一函数产生概率分布对象，您可以使用来生成随机样本或计算功能，例如PDF和CDF。

• 使用probplot.创建半正常概率图。

CompactLinearModel是用于存储拟合线性回归模型的配置的新类，而无需存储拟合数据或残差。适合全部linearmodel.物体使用Fitlm.，然后使用新的Compact方法创建一个CompactLinearModel仅保留有关模型的概要信息的对象，例如系数值。

有关新对象的所有方法和属性，请参见CompactLinearModel和linearmodel.类的页面。

新功能robustcov估计用于多变量样本数据的强大协方差矩阵。强大的协方差估计对样本数据中的异常值不太敏感，而不是经典估计方法。使用RobustCov可获得的估计选项包括快速MCD（最小协方差决定簇）估计，正交化的GNANASEDIKAN-KETTENRING（OGK）估计，以及基于“浓度”技术的估计。

pdist和pdist2万博1manbetx支持返回欧几里得距离的平方。可以通过设置距离位置参数“squaredeuclidean”．

对于双核及以上系统knnsearch.的方法kdtreesearcher.使用英特尔并行化K-Collect邻搜索^®线程构建块（TBB）。有关英特尔TBB的详细信息，请参阅https://software.intel.com/en-us/intel-tbb.．

提高以下统计和机器学习工具箱功能以接受GPUArray.输入参数，以便它们在GPU上执行。此支持需要万博1manbetx并行计算工具箱™。

默认值在线的名称-值对参数kmeans现在是“关闭”．以前的默认值是'在'．

兼容性考虑因素

kmeans可能会返回与默认值时不同的结果在线是'在'．要转动在线更新阶段，请使用“OnlinePhase”,“上”的调用中的名称-值对参数kmeans．

名称-值对'npoints'为了ksdensity已经改变为“NumPoints”．

兼容性考虑因素

新的名称-值对参数名称“NumPoints”在以前的版本中不起作用。有关您使用的统计和机器学习工具箱的正确版本，请参阅文档。

属性的以下属性名Paretotails.类已经改变了。

兼容性考虑因素

新的属性名在以前的版本中不起作用。有关您使用的统计和机器学习工具箱的正确版本，请参阅文档。

将在将来的发布中删除以下功能。使用较新的功能。

分类学习器帮助您探索使用监督机器学习对数据进行分类的训练模型的方法。在R2015b中，应用程序的新功能包括:

• 判别分析分类器：用快速，准确且易于解释判别分析的火车分类器，这对宽阔的数据集有好处。

• 主成分分析(PCA):利用主成分分析降低预测器空间的维数，以防止过拟合。

• 分类预测:训练分类模型时，部分或全部预测是分类变量。之前你只能在应用中使用数值预测。

• 从文件中导入数据:将电子表格、文本、csv和其他文件导入到应用程序中。以前，您只能从工作空间中选择数据。

• 平行坐标图:可视化训练数据和错误分类的点，以调查应包括或排除的特征。平行坐标可以帮助在单个地块上可视化3到10个维度的数据，并看到模式。这可以帮助您理解特性之间的关系，并识别用于分离类的有用预测器。

• ROC阈值：通过查看训练分类器的阈值位于ROC曲线上，评估分类器性能。

有关详细信息,请参见交互式探索分类模型．

兼容性考虑因素

如果将分类模型从分类学习者导出到工作区并编写一个脚本以在R2015A中使用新数据进行预测，则必须更改代码以使用从R2015B中的应用程序导出的模型。用新的troughclassifier.predictfcn.predictfcn.．

从分类学习者导出模型时，应用程序将显示有关命令窗口中导出的模型的信息。该消息显示如何使用该模型进行预测。

修改你的代码从R2015a到工作在R2015b导出的分类器，改变预测来troughclassifier.predictfcn.predictfcn.， 在哪里trainedClassifier是结构变量的名称。

例如，更改此R2015A代码：

YFIT =预测（TroundClassifier，T {：，Trounclassifier.predictornames}）

到此r2015b代码：

yfit = trainedClassifier.predictFcn (T)

提供数据T与应用程序（表或矩阵）中使用的培训数据相同的数据类型。

• 如果提供表，请确保它包含与培训数据相同的预测名称。这预测FCN.忽略表中的其他变量。

• 如果提供矩阵，它必须包含与训练数据相同的预测仪列或行，而且没有响应变量或其他未使用的变量。

注意默认名称trainedClassifier递增每次导出以避免覆盖分类器时，例如，TroughtClassifier1.．确保您的代码使用结构变量的正确名称。

您还可以从导出的结构中提取分类对象以进行进一步的分析(例如，troudclassifier.classificationsvm.，trainedClassifier。ClassificationTree等等，这取决于您的模型类型)。请注意，如果您在应用程序中使用特征选择，如PCA，您将需要通过使用结构的PCA字段中的信息来考虑这种转换。

您可以使用支持向量机(SVM)回归或高斯过程回归(GPR)训练非参数回归模型。万博1manbetx

• 万博1manbetx支持向量回归：这Fitrsvm.功能列出了SVM回归模型。使用新功能，您可以：

  • 指定内核函数

  • 提供观察权重

  • 训练一个交叉验证的模型

  • 使用培训的模型预测响应

  • 计算resubstitution统计

  Fitrsvm.创建一个回归vm.或RegressionPartitionedSVM目的。回归vm.是一个用于访问和执行训练数据操作的新类。compactregressionsvm.是一个新的类，用于存储训练模型的配置，而不存储训练数据。RegressionPartitionedSVM是一组交叉验证的SVM回归模型的新类，培训交叉验证折叠。

  有关新对象的所有方法和属性，请参见回归vm.，compactregressionsvm.,RegressionPartitionedSVM类的页面。

• 高斯进程回归：这fitrgp功能列出高斯进程回归（GPR）模型。使用新功能，您可以：

  • 指定拟合、预测和活动集选择方法

  • 指定核(协方差)函数并为超参数提供初始值

  • 训练一个交叉验证的模型

  • 计算响应预测以及使用训练模型的预测间隔

  • 计算resubstitution统计

  • 计算post-fit统计

  fitrgp创建一个regressiongp.或回归排放性的模型目的。regressiongp.是一个用于访问和执行训练数据操作的新类。CompactRegressionGP是一个新的类，用于存储训练模型的配置，而不存储训练数据。回归排放性的模型是在交叉验证折叠上训练的一组交叉验证GPR模型的现有类。

  有关新对象的所有方法和属性，请参见regressiongp.，CompactRegressionGP,回归排放性的模型类的页面。

分类功能fitctree，fitcsvm，fitcdiscr.，Fitcnb.,Fitcknn.，非参数回归函数fitrtree，Fitrsvm.,fitrgp，和集合学习者fitensemble接受数据表格．除了fitcdiscr.，以上列出的所有功能和分类学习者都接受分类预测器。有关这些数据类型的更多信息，请参阅表和分类数组．

kmeans和randsample现在支持代码生成万博1manbetx。有关支持的完整统计数据和计算机学习工具箱功能万博1manbetxMATLAB^®编码器™,请参阅统计和机器学习工具箱．

提高以下统计和机器学习工具箱功能以接受GPUArray.输入参数，以便它们在GPU上执行。

*这些功能比CPU更快地执行GPU。表中的其他功能在GPU和CPU上显示了类似的性能。

您可以指定不将alpha系数剪切到零或该观察的零点或框约束值，使用'clipalphas'，false的名称-值对参数fitcsvm，培训支持向量机进行分类。万博1manbetx

的一些属性和方法名treebagger和CompactTreeBagger这些类方法的类和名称 - 值对参数名称已更改如下。

兼容性考虑因素

新属性，方法和名称 - 值对参数名称在上一个版本中不起作用。有关您使用的统计和机器学习工具箱的正确版本，请参阅文档。

分类学习者是一个新的应用程序，可让您使用监督机器学习培训模型以对数据进行分类。您可以探索您的数据，选择功能，指定交叉验证方案，列车模型和评估结果。您可以选择几种分类类型，包括决策树，支持向量机，最近的邻居和集合分类。万博1manbetx

通过提供已知的输入数据集(观察或示例)和已知的数据响应(即标签或类)来执行有监督的机器学习。使用这些数据来训练一个模型，该模型生成对新数据响应的预测。要使用带有新数据的模型，或了解编程分类，您可以将模型导出到工作空间，或生成MATLAB代码以重新创建训练过的模型。

有关详细信息,请参见交互式探索分类模型．

您可以使用Boldout采样预测或重复的交叉验证统计评估两个分类模型的预测精度。

• 这testcholdout.接受来自分类模型和真实标签的拒绝样本预测标签。这个函数实现了渐近、精确或中值pMcNemar测试的版本。如果指定错误分类费用，testcholdout.使用似然比进行比较模型或Chi-Square测试。

• 这CompareHoldout.对象函数接受统计学和机器学习工具箱中任意两个训练的分类模型对象，两个模型的holdout预测数据集，以及相应的真标签。就像testcholdout.，此对象功能实现了渐近，精确或中期pMcNemar测试的版本。如果指定错误分类费用，CompareHoldout.使用似然比进行比较模型或Chi-Square测试。

• 这testckfold函数在统计和机器学习工具箱中接受任何两个培训的分类模型对象或模板，并重复适用k- 使用两组超出样本预测器数据和真品标签的交叉验证。然后，testckfold使用a评估所产生的精度t或者F测试。

成对距离计算（通过pdist和pdist2） 在kыinoids.和Fitcknn.使用基于Intel数学内核库(MKL)的基本线性代数子程序(BLAS)库。关于Intel MKL的详细介绍请参见https://software.intel.com/en-us/intel-mkl.．

• 对于双核及以上系统，fitctree，fitrtree,fitensemble使用英特尔线程构建块（TBB）并行化培训决策树。有关英特尔TBB的详细信息，请参阅https://software.intel.com/en-us/intel-tbb.．

• 你可以并行计算点态置信区间灌注回报x- - -y-坐标、阈值或曲线下测量的面积。您需要“并行计算工具箱”才能使用此选项。

您可以通过选择最大的分支节点数来控制决策树的深度，而不是选择最小的叶子大小或最小的父节点大小。属性指定此选项'maxnumsplits'的名称-值对参数fitctree，fitrtree,或templateTree．满树（ClassificationTree或回归植物分类器）包含该字段maxnumsplits.在物业中模特分析者存储指定的最大分割数。

主成分分析，betafit，betalike和pearsrnd现在支持代码生成万博1manbetx。有关支持的完整统计数据和计算机学习工具箱功能万博1manbetxMATLAB编码器,请参阅统计和机器学习工具箱．

sampsizepwr返回两个样本的电源，样本大小或替代假设值t- 最常见的群体。指定两个样本t- 使用't2'作为'testtype'输入变量。

通过丢弃线性支持向量机(SVM)模型的支持向量，可以减少它们的内存占用。万博1manbetx通过训练的支持向量机模型(即，a分类VM.或CompactClassificationSVM对象)丢弃普罗斯韦普万博1manbetx罗斯韦放弃：

• 这α.系数(存储在α属性)

• 支持向量万博1manbetx(存储在万博1manbetxSupportVectors属性)

• 支持向量万博1manbetx标签(存储在万博1manbetxSupportVectorLabels.属性)

默认情况下，fitcsvm和紧凑的不要丢弃α.系数，支持向量和支持向量标签万博1manbetx。

您可以通过训练有素的纠错输出代码（ECOC）模型（即，aClassifiedecoc.或CompactClassificeCoc.对象)丢弃普罗斯韦普万博1manbetx罗斯韦同样地抛弃α.系数、支持向量和支持向量标签万博1manbetx来自所有线性支持向量机二进制学习器。为了控制线性支持向量机二进制学习器是否存储支持向量，使用万博1manbetxtemplateSVM并设置了“Save万博1manbetxSupportVectors”名称值对参数。

兼容性考虑因素

默认情况下，fitcecoc.丢弃的α.系数、支持向量和支持向量标签万博1manbetx来自所有线性支持向量机二进制学习器。为了存储这些估计，创建一个支持向量机模板并指定'save万博1manbetxsupportvectors'，true．然后，将SVM模板传递给fitcecoc.．

增强回归树的默认最小叶子大小是5．

兼容性考虑因素

要使用以前的默认值来训练增强的回归树，使用templateTree,并指定“MinLeafSize”,1和“MaxNumSplits”,1．然后，将回归树模板传递给fitensemble．

这scatterhist函数包括两个新的名称值对参数，允许您显示沿着的边缘分布的分组直方图x- - -y散点图的-axes：

• “PlotGroup”允许指定是按组绘制边际分布还是为整个数据集绘制边际分布。

• '风格'允许指定是显示不填充柱状图的直方图轮廓的阶梯图还是直方图柱状图。

如果指定一个包含多个组的分组变量，则默认为scatterhist显示分组的楼梯图。如果指定仅包含一个组的分组变量，那么scatterhist显示直方图条形图。要显示内核密度图，请使用'核心'名称值对参数。

位置参数'dispopt'在gplotmatrix.万博1manbetx支持两个附加选项，以控制沿着绘图矩阵对角线的绘图外观:

• '楼梯'显示阶梯图，它显示分组直方图的轮廓，而不填充柱状图。

• “grpbars”显示标准分组的直方图条图。

回归利用自由度计算已研究残差的置信区间n- - - - - -p- 1,n观察的次数是多少p是预测变量的数量。

兼容性考虑因素

计算残差置信区间的自由度回归回报是n- - - - - -p- 1而不是n- - - - - -p．结果可能与先前版本中的结果不同。

将在将来的发布中删除以下功能。使用较新的功能。

这fitcecoc.函数适合用于多类学习的纠错输出代码(ECOC)模型。利用训练数据和编码方案，fitcecoc.结合一组二进制学习器，如支持向量机分类器，使用编码设计创建一个多类模型。可以使用受支持的编码方案，或万博1manbetx使用designecoc.函数。新功能还支持大多数方法的后验概率拟合。万博1manbetxfitcecoc.创建新课程的对象Classifiedecoc.或Classificationedecoc.．

Classifiedecoc.是一个用于访问和执行训练数据操作的新类。CompactClassificeCoc.是一个新的类，用于存储训练模型的配置，而不存储训练数据。Classificationedecoc.是一组培训交叉验证折叠培训的一组交叉验证的ECOC模型的新课程。

Classifiedecoc.是建立在相同的框架上ClassificationTree，ClassificationDiscriminant，ClassificationKNN,分类VM.，因此您有各种选项和方法，包括：

• 交叉验证

• Resubstitution统计

• 概括统计

• 加权分类

有关新对象的所有方法和属性，请参见Classifiedecoc.，CompactClassificeCoc.,Classificationedecoc.类的页面。

GeneralizeLmixedModel.是用于拟合广义线性混合效应（GLME）模型的新类。使用GLME模型使用fitglme．你可以：

• 使用公式符号指定GLME模型。

• 适用于具有正常，二项式，泊松，伽玛或反高斯的条件分布的响应的GLME模型。

• 使用字符串或结构指定链接函数。

• 使用最大伪可能性（MPL）的FIT GLME模型，限制最大伪可能性（REMPL），使用LALPLACE近似的最大可能性，或使用近似拉普拉斯近似值的最大可能性与固定效果突出。

• 为随机效果指定协方差模式。

• 计算随机效应的经验贝叶斯预测因子(ebp)的估计。

• 对固定效果执行定制假设测试。

• 计算固定效果，随机效果和协方差参数的置信区间。

• 检查残留，诊断图，装配值和设计矩阵。

• 使用理论似然比测试比较两种不同的模型。

• 使用拟合的GLME模型对新数据进行预测。

• 使用新设计点使用拟合GLME模型生成随机数据。

• 在先前拟合模型的基础上，使用新的响应向量重新建立新的GLME模型。

有关此对象的属性和方法，请参阅类页面GeneralizeLmixedModel.．

这kыinoids.将数据分区功能分区k使用k-medoids算法聚类。此功能提供分类数据的聚类、使用任意距离度量的聚类、对离群值的健壮性以及对大型数据集的扩展。

这kmeans和fitgmdist函数使用k-means++初始化算法执行聚类。的默认初始化算法kmeans现在设置为k-means++。

这渔民函数在2 × 2列联表上执行Fisher检验。新功能适用于小样本。

你可以使用templateEnsemble功能要创建适合训练纠错输出代码（ECOC）多字数分类器的集合学习模板。特别是，您可以通过指定使用集合方法的二进制学习者进行多级别分类，该学习者使用leanemble方法柔和的方法，logitboost和robustboost。

你可以使用templateSVM功能要创建SVM学习模板，适用于训练纠错输出代码（ECOC）多键分类器。特别是，您可以通过指定标准化预测器数据或使用特定框约束的二进制学习者来执行多字母分类。

您可以在拟合k-incelte邻分类中的模型之前标准化培训数据。标准化考虑了观察权重和缺失数据。您可以使用使用此选项指定此选项“标准化”的名称-值对参数Fitcknn.函数。

你可以使用Fitcnb.训练多款朴素贝叶斯模型的功能。Fitcnb.创建新课程的对象ClassificationNaiveBayes．

ClassificationNaiveBayes是一个用于访问和执行训练数据操作的新类。CompactClassificationNaiveBayes是一个新的类，用于存储训练模型的配置，而不存储训练数据。

这Fitcnb.功能和ClassificationNaiveBayes和CompactClassificationNaiveBayes类包含FitnaiveBayes.功能和天真的人类。ClassificationNaiveBayes是建立在相同的框架上ClassificationTree，ClassificationDiscriminant，ClassificationKNN,分类VM.，所以你有各种额外的选项和方法，包括:

• 交叉验证

• Resubstitution统计

• 概括统计

• 加权分类

你也可以使用TemplateAniveBayes.功能要创建一个天真凸起的分类器模板，适用于训练纠错输出代码（ECOC）多字数分类器。

有关新对象的所有方法和属性，请参见ClassificationNaiveBayes和CompactClassificationNaiveBayes类的页面。

Fitrm.是一个新的函数，用于拟合模型到重复测量数据，其中每个受试者有多个响应测量。它产生一个新对象重复地段索赔类。你可以：

• 对受试者之间的因素进行方差分析方差分析．

• 进行多变量方差分析manova．

• 使用。对系数进行假设检验coeftest．

• 使用使用的反复测量分析Ranova.．

• 用摩脱石测试的球形（复合对称）试验摩托车．

• 绘制数据和估计的边际手段，使用可选分组阴谋和plotprofile.．

• 计算由组使用组织组织的摘要统计信息GRPSTATS.．

• 使用边际平均值执行多次比较multcompare．

• 使用拟合的重复测量模型进行新数据进行预测预测．

• 利用拟合的重复测量模型在新的设计点生成随机数据随机的．

对于此对象的属性和方法，请参阅重复地段索赔类页面。

您现在可以使用新的fitcsvm用于培训SVM分类器的功能，以实现一类或两级学习。fitcsvm创建新课程的对象分类VM.或现有的类ClassificationededModel.．

分类VM.是一个用于访问和执行训练数据操作的新类。CompactClassificationSVM是一个新的类，用于存储训练模型的配置，而不存储训练数据。语法和方法类似于现有的ClassificationTree和CompactClassificationTree.类。

新fitcsvm功能和分类VM.和CompactClassificationSVM类包含svmtrain和svmclassify功能。分类VM.提供了几个优点相比svmtrain和svmclassify功能:

• 新功能

  • 万博1manbetx支持计算软分类分数

  • 万博1manbetx支持拟合后验概率

  • 通过提供收缩，提高了训练速度，特别是在大数据上的训练，特别是在分类良好的大数据上

  • 通过接受初始α值允许热重启

  • 允许在超过最大迭代次数后继续训练

  • 万博1manbetx支持在异常值存在时的健壮学习

• 分类VM.是建立在相同的框架上ClassificationTree，ClassificationDiscriminant,ClassificationKNN，因此您有各种选项和方法，包括：

  • 交叉验证

  • Resubstitution统计

  • 概括统计

  • 加权分类

有关新对象的所有方法和属性，请参见分类VM.和CompactClassificationSVM类的页面。

方法创建的对象有两个新方法evalclusters功能:

• addK添加要进行评估的其他数量的群集。该方法适用于所有类别的群集评估（即，clustering.evaluation.GapEvaluation，clustering.evalization.silhouetteevaluation.，clustering.Evaluation.Calinskiharabaszevaliuation.,clustering.Evalization.DaviesBouldineValuation.）.

• increaseB增加间隙准则模拟的参考数据集的数量。这种方法适用于clustering.evaluation.GapEvaluation类。

的默认值'SearchMethod'的名称-值对参数clustering.evaluation.GapEvaluation对象现在总是如此'globalmaxse'．

兼容性考虑因素

的默认值'SearchMethod'的名称-值对参数clustering.evaluation.GapEvaluation对象现在总是如此'globalmaxse'并且不随值而改变'klist'名称值对参数。

multcompare现在返回p- 对组手段的每对成对比较的价值。multcompare返回p- 在其第一个输出参数的第六列中的值。这p-Value是个人比较是边界的总体意义水平。

兼容性考虑因素

第一个输出论点multcompare现在有六列，而不是五列。第六列包含p价值。

MnRfit.现在接受一个分类变量作为响应。这lassoglm.，fitglm,glmfit函数现在接受两级分类变量作为响应。这随机的方法GeneralizedLinearModel.类现在也返回分类响应。

以下功能和方法现在接受表输入作为数据集阵列输入的替代。

现在返回以下函数，方法和模型属性表格而不是一个数据集大批。

＊GRPSTATS.现在用输入类型匹配输出。

兼容性考虑因素

现在列出的函数和属性返回a表格代替数据集大批。您可以使用使用的数据集阵列将它们转换为DataSet阵列table2dataset函数。

的默认值'空洞'名称 - 值对参数kmeans函数是现在'ingleton'．

兼容性考虑因素

设置价值'空洞'来“错误”，您必须明确指定'空洞'，'错误'．

以下是分类和回归树、判别分析、最近邻、朴素贝叶斯分类和高斯混合模型的新函数。

linearmixedmodel.是一种用于拟合线性混合效果（LME）型号的新类。使用嵌套和/或交叉随机效果的拟合多级LME型号或LME模型fitlme.或fitlmematrix.函数。你可以：

• 使用公式符号或通过矩阵输入指定LME模型。

• 使用最大可能性（ml）或限制最大可能性（REML）的适合LME模型。

• 为随机效果指定协方差模式。

• 计算随机效应的最佳线性无偏预测因子(BLUPs)的估计。

• 对固定和随机效应执行自定义联合假设测试。

• 计算固定效果，随机效果和协方差参数的置信区间。

• 检查残留，诊断图，装配值和设计矩阵。

• 通过理论或模拟似然比检验比较两个不同的模型。

• 使用拟合的LME模型对新数据进行预测。

• 在新的设计点使用拟合的LME模型生成随机数据。

有关此对象的属性和方法，请参阅类页面linearmixedmodel.．

现在支持代码生成的许多概率分布和描述性统计功能。万博1manbetx有关支持的完整统计信息箱™功能万博1manbetxMATLAB编码器,请参阅统计工具箱函数．

新功能evalclusters估计各种标准值的最佳簇数，并返回对应于估计的最佳值的聚类解决方案。

您可以提供聚类解决方案，询问万博 尤文图斯evalclusters使用其中一个内置的聚类算法，'kmeans'，“链接”,或“gmdistribution”，或提供功能手柄。

以下标准可供选择:

• Calinski-Harabasz (CH)指数

• 轮廓索引

• 统计的差距

• davis - bouldin (DB)指数

mvregress.现在接受A.n-经过-（p+ 1）设计矩阵X，当响应Y是一个n——- - - - - -d矩阵d> 1，在哪里n为观测次数，p是预测变量的数量，d是响应中的尺寸数量，以及X包括用于截距（常量）术语的列。

统计工具箱现在为累积分布函数提供大尾概率计算。您可以使用尾随计算上尾概率'上'以下函数中的参数：

• 提供函数用于概率分布对象，由返回pd = makedist（distname）或pd = fitdist (X, distname)：

  提供(pd, X,“上”)

• 提供功能:

  Y = cdf (X,“名字”,“上”)

  Y = cdf(“名字”,X, A, B,“上”)

  Y = cdf(“名字”,X, A, B, C,“上”)

• 特定于提供功能:

  分配	新语法
  β	p = betacdf（x，a，b，'上'）
  一键	y = binocdf（x，n，p，'上'）
  卡方	p = chi2cdf（x，v，'上'）
  极值	P = evcdf (X,μ、σ“上”) [P,巴解组织,小狗]= evcdf (X,μ、σpcov,“上”)
  幂数	P = EXPCDF（x，mu，'上'） [P,巴解组织,小狗]= expcdf (X,μ,pcov,“上”)
  F	p = fcdf（x，v1，v2，'上'）
  γ	p = gamcdf（x，a，b，'上'） [P,巴解组织,小狗]= gamcdf (X, A、B pcov,“上”)
  几何	y = geocdf（x，p，'上'）
  广义极值	P = gevcdf (X, k,σ,μ,“上”)
  广义帕累托	P = gpcdf (X,σ,θ,“上”)
  超距离	P = hygecdf (X, M, K, N,“上”)
  lognormal.	P = logncdf (X,μ、σ“上”) [P,巴解组织,小狗]= logncdf (X,μ、σpcov,“上”)
  负二项	Y = nbincdf (X R P,“上”)
  偏心的F	P = ncfcdf (X, NU1 NU2,三角洲,“上”)
  非中央t	p = nctcdf（x，nu，delta，'上'）
  非中央Chi-Square	p = ncx2cdf（x，v，delta，'上'）
  普通的	p = normcdf（x，mu，sigma，'上'） [p，plo，pup] = normcdf（x，mu，sigma，pcov，'上'）
  泊松	P = poisscdf (X,λ,“上”)
  t	p = tcdf（x，v，'上'）
  瑞利	p = raylcdf（x，b，'上'）
  均匀离散	p = unidcdf（x，n，'上'）
  连续均匀	p = unidcdf（x，a，b，'上'）
  威布尔	p = wblcdf（x，a，b，'上'） [P,巴解组织,小狗]= wblcdf (X, A、B pcov,“上”)

新功能Partialcorri.计算线性偏相关系数与内部调整。可以计算变量对之间的偏相关Y和X，调整中的其余变量X，或在成对的变量之间Y和X，调整中的其余变量X，首次控制两者之后X和Y对于Z．

您还可以:

• 指定是否使用Pearson或Spearman部分相关性。

• 指定如何处理缺失值。

• 对单方或双边方案进行零相关假设检验。

线性模型和广义线性模型的拟合和逐步算法以及非线性模型的拟合算法都有新的函数。新功能如下。

万博1manbetx支持向量机现在在统计工具箱中。训练支持向量万博1manbetx机分类器使用svmtrain并使用svmclassify．

两个新功能在主成分分析中处理缺少数据：

• 新功能车牌提取采用基于各向同性误差模型的概率主成分分析。

• 功能主成分分析提出了一种新的交替最小二乘(ALS)算法。使用名称-值对参数'算法'与价值'als'．

新功能adt进行安德森-达令拟合优度测试。adt可以执行:

• 简单测试:对指定参数的特定分布进行测试。你可以测试任何连续的单变量参数分布。

• 组合测试:对指定的分布族进行测试(也称为综合测试)。可以用正态分布、指数分布、极值分布、对数正态分布或威布尔分布族进行测试。

• 改善了决策树的训练速度及其合奏。在使用该决策树集合中最好看到改进fitensemble功能或treebagger类。

• 提高效率treebagger在并行模式中使用时。

• 您可以使用使用的决策树中保存的代理拆分数'代理'的名称-值对参数适合和模板的方法ClassificationTree和回归植物类。

• ClassificationTree.fit和ClassificationTree.template提供几种启发式方法，用于在多个层次的分类预测器上进行分割。使用“AlgorithmForCategorical”名称 - 值对参数指定算法查找最佳拆分和'maxcat'参数的名称-值对指定允许的最大类别数目。

这scatterhist函数具有以下名称-值对参数:

• '团体'允许您指定分组变量并生成分组的散点图。

• '核心'允许您使用分组的内核密度图，而不是边际分布的整体直方图。

• 其他选项允许您更改颜色，行属性，图例等。

这些函数现在接受额外的误差模型和固定或拟合相关的权重。

其他功能更改是：

• disp（NonLinearModel方法）仅显示可估计系数，并显示南对于无数系数。

• 英国《金融时报》(NonLinearModel方法）自动决定是否将完整模型与截距或零进行比较。

• NonLinearModel属性,如诊断，残差，loglikelihie，上席,SST.占权重和错误模型。

参数假设测试函数接受可选输入参数作为名称-值对参数。

新的概率分布对象提供了以下新功能:

• 使用新的数据创建一个不适合数据的分发makedist函数。

• 直接分配给参数值。

• 创建截断分布。

• 创建并操作分布对象数组。

• 创建自定义分布。开始，使用dfittool.并选择编辑>定义自定义分布．使用提供的模板来定义'laplace'分发，或者修改它来创建您自己的。

• 计算和绘制拟合概率分布的置信区间和轮廓似然性。

• 概率分布框架中的其他分布:

  • 多项

  • 分段线性

  • 三角形

  • 统一的

您可以使用现有的数据继续拟合分布到数据Fitdist.函数。

兼容性考虑因素

返回的概率分发对象的类名Fitdist.与早期的版本不同。

有三种新的分类增强算法:

• RUSBoost（通过随机unders采样增强）用于不平衡数据（其中一个类具有比另一类观察更多的数据）。

• LPBoost.(线性规划)TotalBoost（完全纠正升级）自终止，可以导致稀疏的合并，可用于多批准升压。

对于毛刺型XII分布，即实线上连续分布的三参数族，提出了一种新的概率分布对象。使用Fitdist.将这个分布与数据拟合。使用ProbDistUnivParam直接指定分发参数。任一函数都会产生分发，您可以用于生成随机样本或计算函数，例如pdf和提供．

您现在可以直接导入文件中的数据数据集数组使用MATLAB导入工具。

新主成分分析函数包括用于主成分分析的附加功能。特点主成分分析包括:

• 将NaN作为丢失的数据值进行处理。

• 具有用户指定权重的加权主成分分析。

• 选择SVD或EIG算法计算主成分。

• 选项指定要返回的组件数量。

• 选择不居中之前计算的主要成分。

兼容性考虑因素

新主成分分析函数替换为princomp函数。

统计工具箱现在支持并行执行万博1manbetxkmeans．

对于这些非参数假设检验，可以选择检验单侧的右尾或左尾备选项:

• 签名

• Ranksum.

• 签名

• 这系统树图函数具有重新排序分层二进制群集树的节点的新选项：

  • 这重新订购选项允许您为树木图中的节点顺序指定排列矢量。

  • 这验证选项检查所请求的置换矢量是否导致在树木图中交叉分支。

• 功能OptimAlleafOrder.生成节点的最佳置换。

你可以给这些函数添加一个观测权向量，或者给返回观测权向量的函数添加一个句柄:

• NonLinearModel.fit．

• 预测和随机的（NonLinearModel方法)。

• nlinfit和nlpredci.．

有关加权配件的一个例子，请参阅加权非线性回归．

兼容性考虑因素

使用重量或robustwgtfun.执行加权非线性回归时。

中的诊断诊断数据集阵列linearmodel.对象以新的顺序，不再出现在变量编辑器中。新订单是：

• 杠杆作用

• 煮熟

• Dffits

• S2_I.

• 科罗拉蒂奥

• Dfbetas

• Hatmatrix.

兼容性考虑因素

要访问正确的诊断，您应该更新索引Diagnostics DataSet数组列按号码的任何代码。

linearmodel.是一个用于执行线性回归的新类。linearmodel.fit.创建一个模型：

• 让你用分类和连续预测变量来拟合模型

• 包含有关拟合质量的信息，如残差和方差分析表

• 让你轻松地绘制契合

• 允许自动或手动排除不重要的变量

• 为降低离群值的影响实现稳健拟合

• 允许您使用符号公式指定二次型和其他模型

• 启用逐步模型选择

使用普遍的线性和非线性建模存在类似的改进GeneralizedLinearModel.和NonLinearModel类。详情请参阅参考资料中的类参考页，或线性回归，逐步回归，稳健回归-减少离群值影响，广义线性回归,或非线性回归在用户指南中。

您现在可以从MATLAB变量编辑器中编辑、排序、绘制和选择数据集数组的部分。有关详细信息,请参见使用数据集的数组在用户指南中。

这lassoglm.功能正常化广义线性模型。使用lassoglm.在广义线性回归中检验模型的可选性，限制或去除冗余或不重要的变量。具体操作请参见函数参考页面广义线性模型的套索正则化在用户指南中。

ClassificationKNN.fit创建执行的分类模型k- 最终邻居分类。您可以使用交叉验证或重新提交检查模型的质量。有关详细信息，请参阅ClassificationKNN页面中的页面，或使用最近邻进行分类在用户指南中。

fitensemble可以构造随机子空间集合来提高两者的分类精度吗k-最近邻分类器和判别分析分类器。有关详细信息,请参见合奏方法或随机子空间分类在用户指南中。

ClassificationDiscriminant模型现在有两个参数，γ和三角洲，用于正常化并降低变量的数量。放γ正则化判别式。放三角洲消除变量。使用cvshrink.获得最佳γ和三角洲参数交叉验证。详情请参阅参考页，或正规化判别分析分类器在用户指南中。

这豆皮装饰函数现在返回的拟合系数历史历史.B.字段。

这WGTFUN.选项现在被称为robustwgtfun.在nlinfit，statget,实例化功能。robustwgtfun.也使得健壮的多余的选项。

兼容性考虑因素

这WGTFUN.和健壮的选项目前被所有函数接受。为避免将来可能出现的不兼容性，请更新使用WGTFUN.和健壮的使用的选项robustwgtfun.选项。

这ClassificationTree预测方法现在选择具有最小预期错误分类成本的课程。以前，它选择了最大后概率的课程。新行为与之一致cvloss.方法。此外,这两个ClassificationDiscriminant和ClassificationKNN预测使用最小预期的错误分类成本。有关详细信息,请参见预测和损失．

兼容性考虑因素

如果你使用非默认成本矩阵，一些ClassificationTree分类预测可能与以前的版本有所不同。

这fpdf函数现在接受范围更广的参数值，包括INF.．

这套索功能结合了套索正则化算法和弹性网正则化算法。使用套索在线性回归中删除冗余或不重要的变量。这lassoPlot函数帮助你形象化套索结果，具有各种系数迹线图和交叉验证图。

有关详细信息,请参见套索和弹性网．

你现在可以使用ClassificationDiscriminant和CompactClassificationDiscriminant通过判别分析进行分类的课程。语法和方法类似于现有的ClassificationTree和CompactClassificationTree.类。这ClassificationDiscriminant类包括函数的功能分类函数。ClassificationDiscriminant提供了几个优点相比分类功能:

• 在拟合了一个分类器之后，无需重新拟合就可以进行预测。

• ClassificationDiscriminant是建立在相同的框架上ClassificationTree，因此您有各种选项和方法，包括：

  • 交叉验证

  • Resubstitution统计

  • 成本函数的选择

  • 加权分类

• ClassificationDiscriminant可以适合几种型号，包括线性，二次和线性或与伪素的直链或二次。

有关详细信息,请参见判别分析．

这rangesearch函数查找数据集中与另一个数据集的成员在指定距离内的所有成员。与knnsearch.函数，您可以设置各种距离度量，或编写自己的程序。rangesearch有同行是方法的令人疲惫的和kdtreesearcher.类。

这datasample.功能样本或不替换数据集。它还可以使用或不替换进行加权采样。

这fracfactgen功能现在允许52.因素，而不是以前的极限26的因素。使用“一个”通过“z”为了第一26因素和“一个”通过“Z”剩下的因素。

fracfact现在检查任意水平的相互作用在混淆，而不是以前的限制混淆至多两个因素的产物。s manbetx 845设置Maxint.名称 - 值对您想要的交互级别。您还可以使用使用的因素设置名称FactorNames名称-值对。

这nlmefit.函数现在返回估计系数的协方差矩阵covb场面的领域统计结构。

这签名Test现在将tie定义为不同的条目2 * EPS.或更少。在此之前，领带是与机器精度相同的条目。

对于R2011b，错误和警告消息标识符已在统计工具箱中更改。

兼容性考虑因素

如果您有使用已更改的消息标识符的脚本或函数，则必须更新代码以使用新的标识符。通常，消息标识符用于关闭特定的警告消息，或者在使用尝试/抓住语句并根据特定错误标识符执行操作。

例如，如果你使用“resubstitution”方法,'统计数据：plsregress：InvalidMcreps'标识符已更改为“统计数据:plsregress: InvalidResubMCReps”．如果你使用“resubstitution”方法和您的代码检查'统计数据：plsregress：InvalidMcreps'，您必须更新它以检查“统计数据:plsregress: InvalidResubMCReps”反而。

要确定警告的标识符，请在查看警告后运行以下命令：

[味精,是否]= lastwarn;

此命令将消息标识符保存到变量msgid.．

要确定错误的标识符，请在查看错误后运行以下命令：

异常= MException.last;是否= exception.identifier;

小费警告消息指出代码的潜在问题。虽然可以关闭警告，但建议的替代方法是更改代码，使其无警告运行。

新fitensemble函数构造决策树的集合。它提供了:

• 几种流行的助推算法(AdaBoostM1，AdaBoostM2，GentleBoost，LogitBoost,RobustBoost)分类

• 最小二乘升压（LSBoost)回归

• 最多treebagger集成袋装决策树的功能

还有一种改进的分类界面接口（ClassificationTree)及回归树(回归植物)，包括的功能classregtree．

有关详细信息,请参见合奏方法．

这连锁和clusterdata.函数有一个新的savememory选项可以使用更少的内存而不是以前。和savememory设置'在'，功能不构建成对距离矩阵，因此使用较少的内存，并且根据问题大小，可以使用更少的时间。你可以使用savememory选项：

• 联系方法是“沃德”，“重心”,或“中值”

• 距离的联系度规是'euclidean'（默认）

有关详细信息，请参阅连锁和clusterdata.功能参考页面。

这nlmefit.和nlmefitsa.函数现在提供适合的条件加权残差。使用这些信息来评估模型的质量;看到示例：检查用于模型验证的残差．

这实例化选项结构包括“DerivStep”，这使您能够为梯度估计设置有限差异。

knnsearch.现在可选择返回所有k最近的邻居，而不是一个。这knnsearch.的方法令人疲惫的和kdtreesearcher.也有这个选项。

使用分配拟合工具产生的MATLAB函数现在使用Fitdist.功能创建拟合概率分布对象。生成的函数将概率分布对象返回为输出参数。

ncx2cdf现在对于非中心分参数的大值更快和更准确。

如果二项回归模型中的两个类别(例如Logit.或probit）完美分开，最佳拟合模型是无限系数的退化。在这种情况下，glmfit函数很可能超过其迭代限制。glmfit现在尝试检测这个完美的分离并显示诊断消息。

mdscale.现在在输出的每一列中强制执行Y，具有最大幅度的值具有正标志。这种变化使得结果一致跨发布和平台 - 用于导致签署逆转的小型变化。

信用评级演示以前只在金融工具箱™中提供，现在在统计工具箱中提供。演示使用袋装决策树对信用等级进行分类。

要在MATLAB命令行中查看演示，输入:

统计工具箱现在支持以下函数并行执行：万博1manbetx

• candexch

• 灯笼

• da

• dcovary

• nnmf.

• plsregress

• rowexch

• sequentialfs

有关更多信息，请参见并行数据章节在用户指南中。

新的滤波算法,relieff，基于最近的邻居。Creieff算法通过计算本地标签上的类标签（或真实响应）上的每个预测器的效果来计算预测器之间的相关性，然后在整个预测空间上集成这些本地估计。

nlmefit.现在支持万博1manbetx以下错误模型：

• 结合

• 常数

• 幂数

• 成比例的

您可以使用两者指定错误模型nlmefitsa.和nlmefit.．

这nlmefit.BIC.计算已经改变了。现在自由度的价值是基于群体的数量而不是观察的数量。这与BIC.定义使用nlmefitsa.函数。

两个都nlmefit.和nlmefitsa.将估计的误差参数存储在errorparm.输出场统计结构。这rmse该结构的字段现在包含所有错误模型的根均方剩余;在日志比例上计算此值幂数模型。

兼容性考虑因素

在之前的版本中rmse使用领域nlmefitsa.均方残差和估计误差参数。中适当的字段，如果有必要，请更改代码统计结构。

如上所述nlmefit支万博1manbetx持错误模型，nlmefitsa更改，nlmefit.现在计算不同BIC.值大于以前的版本。

新的代理项拆分特性classregtree允许更好地处理缺失值，更准确地估计变量的重要性，并计算变量之间的关联的预测措施。

treebagger和CompactTreeBagger课程有两个新的房产：

• nvarsplit.为每个预测器变量提供决策分割的数量。

• VarAssoc提供对预测变量之间关联的度量。

这连锁功能具有改进的性能封面，中位数,单联系方法。

这连锁和pdist分层群集分析功能支持具有64位平台的较大数组尺寸，因此可以处理更大的问题。万博1manbetx

分布拟合GUI (dfittool.)现在允许您导出适合MATLAB工作空间作为概率分布适合对象。有关更多信息，请参见使用配电拟合工具建模数据．

兼容性考虑因素

如果加载使用以前版本的Statistics Toolbox创建的分布适配会话，则无法保存现有适配。再次适合分发以启用保存。

partialcorr现在接受一个新的语法，rho = partialcorr（x），返回中变量对之间的样本线性偏相关系数X，控制中其余的变量X．有关更多信息，请参见函数参考页面。

分位数现在接受一个新的语法，y = smianile（x，n，...），它返回累积概率的分位数(1:N/（N+ 1)N是标量正整数值。

scatterhist现在接受三个参数名称/值对，可以控制直方图图出现的地点和方式。新参数名称是NBins，地点,方向．有关更多信息，请参见函数参考页面。

Bootci.有一个新的输出选项，它返回为每个计算的引导统计NBootBootstrap复制样本。有关更多信息，请参见函数参考页面。

新的拟合NLME模型的随机算法对初始值具有更强的鲁棒性，可以进行参数转换，并放宽了误差方差恒定的假设。看到nlmefitsa.．

新功能k最近的邻居(kNN）有效地搜索以找到任何查询点的最接近点。有关信息，请参阅k近邻搜索和半径搜索．

的一个新选项灌注功能计算分类器性能曲线的置信区间。

重量重采样概率的新选项拓宽了支持的模型范围万博1manbetxBootstrp.，Bootci.,灌注功能。

统计工具箱现在支持以下函数并行执行：万博1manbetx

• Bootci.

• Bootstrp.

• 横梁

• 钉书匠

• treebagger

有关统计信息工具箱中并行计算的更多信息，请参见支持重采样方法的并行计算万博1manbetx．

dataset.unstack通过将高数据集数组中的一个变量“解叠加”为宽数据集中的多个变量，将高数据集数组转换为宽数据集格式的等效数据集数组。dataset.stack.通过将宽数据集数组中的多个变量“叠加”成高数据集中的单个变量，将宽数据集数组转换为高数据集格式的等效数据集数组，从而反转此操作。

Statistics Toolbox现在支持以万博1manbetxSAS Transport (.xpt)格式导入和导出文件。有关更多信息，请参见xptread和dataset.export参考页面。

这nlmefit.函数现在支持使用输出函数监万博1manbetx视或取消计算。有关更多信息，请参见nlmefit.参考页面。

• 一个增强的dataset.join方法提供其他类型的加入操作：

  • 加入现在可以执行更复杂的内部和外部连接操作，以允许数据集数组之间的多对多通信吗一个和B，并允许在任何一种中取消匹配的观察一个或B．

  • 加入可以是类型“内心”，“leftouter”，“rightouter”，“fullouter”,或'外'（这是一个同义词“fullouter”）.对于内部连接，数据集数组，C，仅包含对应于两者中发生的关键值的组合对应的观察一个和B．对于左（或右）外连接，C还包含对应于键的观察一个（要么B）与任何不匹配B（要么一个）.

  • 加入现在可以返回指示指示观察之间的对应的索引向量C和那些一个和B．

  • 加入现在支持万博1manbetx使用多个键。

  • 加入现在支持万博1manbetx一个可选参数来指定丢失的键行为，而不是引发错误。

• 一个增强的dataset.export方法现在支持直接导出到万博1manbetx微软^®excel.^®文件。

• 这天真的人分类对象适用于包含多种预测因子或特征的数据集。

• 它支持万博1manbetx正态分布、核分布、多项式分布和多元多项式分布。

• 新分类对象，treebagger和CompactTreeBagger，通过引导聚合（袋装）提供改进的性能。

• 包括Breiman的“随机森林”方法。

• 增强classregtree有更多的选择来种植和修剪树木。

• 新灌注函数提供了评价分类结果的图形化方法。

• 包括ROC(接收者工作特性)等曲线。

• 提供用于处理概率分布的一致接口。

• 可以直接使用它ProbDistUnivParam构造函数，或适合使用数据Fitdist.函数。

• 选择适合的分布按组。

• 包括内核对象方法和参数对象方法您可以用来分析对象表示的分布。

• 包括内核对象属性和参数对象属性您可以访问以确定拟合结果并评估其准确性。

• 相关的增强功能chi2gof，histfit，键糟，probplot.,qqplot功能。

新confusionmat函数通过比较已知的和预测的观测值，将错误分类制成表格。

由此构建的数据集阵列数据集函数现在可以使用new出口函数。

当读取外部文本文件到数据集数组时，数据集有一个新的'trysasempty'参数，用于指定将被视为空的字符串。

兼容性考虑因素

在以前的版本中，数据集用过的eval将外部文本文件中的字符串写入数据集数组之前求值。因此，像这样的字符串'1/1/2008'处理为两除法的数值表达式。现在,数据集将此类表达式视为字符串，并且只要外部文件中的列包含一个不表示有效标量值的字符串，将字符串变量写入数据集数组中。

交叉验证功能,横梁，提供了新的选项，可以直接指定均方误差或误分类率的损失函数，而不必提供单独的函数M-file。

这促进功能具有用于计算无需刻度或反射组件的线性变换的新选项。

多变量正常功能mvnpdf.，mvncdf.,mvnrnd.现在接受对角协方差矩阵的矢量说明，从而获得相应的计算效率。

这超高度分布已被添加到两者中Disttool.和randtool图形用户界面。

兼容性考虑因素

这ksdensity函数对于审查时间超过最后观察值的情况可能给出不同的答案。在这种情况下,ksdensity通过在一个折叠点上折叠核函数来减少其密度估计的偏差，这样它们就不会延伸到被完全截掉的区域。在这个版本中有两个变化:

1. 在以前的释放中，折叠点是最后一个观察到的值。在此版本中，它是最后一个观察到的值后的第一次审查时间。

2. 折叠过程不仅适用“函数”参数是“pdf”，但对于所有人来说“函数”值。

新nlmefit.功能适合非线性混合效果模型有固定和随机变异来源的数据。混合效应模型通常用于多个组的数据，其中组内测量是相关的，但组间是独立的。

这箱形图函数具有处理多个分组变量和极端离群值的新选项。

这LSLine.，gline，refline,重新浏览函数现在使用由散射函数。在以前的版本中，这些函数只适用于由阴谋函数。

下面的可视化函数现在具有自定义数据游标，显示观测号、组号以及相关变量的值等信息:

• andrewsplot

• biplot

• ecdf.

• 格格普洛特

• gplotmatrix.

• gscatter

• normplot

• parallelcoords

• probplot.

• qqplot

• scatterhist

• WBLPLOT.

兼容性考虑因素

更改箱形图已经改变了一些默认行为:

• 框标签现在被绘制为文本对象而不是刻度标签。任何通过更改刻度线标记自定义框标签的代码现在应该设置勾选位置以及刻度标签。

• 该函数不再返回具有固定号码处理的句柄数组，以及句柄的顺序和含义现在取决于选择哪些选项。要找到感兴趣的手柄，请搜索其“标签”财产的使用findobj．“标签”框绘图组件的值列在上面箱形图参考页面。

• 现在有了离群值的有效句柄，即使在没有离群值的情况下。在以前的版本中，函数返回的句柄数组有南当盒子没有异常值时，用值代替句柄。现在,'xdata'和'ydata'对于异常值南当没有异常值的时候。

• 小团体，'缺口'参数有时会产生延伸到盒外的缺口。在之前的版本中，缺口被截断到盒子的程度，这可能会产生误导的显示。的新值'标记'对于此参数，避免显示问题。

因此，ANOVA1函数为分组数据显示有缺口的盒图，它可能显示扩展到盒外的缺口。

创建的统计选项结构实例化现在包括一个雅各比亚字段指定客观函数是否可以将雅典族人返回为第二个输出。

Bootstrap置信区间由Bootci.现在对于粗糙的数据更加精确。

兼容性考虑因素

的公式Bootci.类型的置信区间“bca”或'COL'涉及比观察到的统计数据的引导统计量的比例。该公式现在考虑到有许多引导统计数据完全等于观察到的统计的情况。

两个新的交叉验证功能，CVPartition.和横梁，在回归、分类和聚类应用程序中划分数据和评估模型。

一个新的顺序特征选择函数,sequentialfs，选择优化用户自定义预测标准的预测器子集。

新nnmf.函数执行非负矩阵分解(NMF)尺寸缩减。

新sobolset和哈空间函数产生准随机点集，用于蒙特卡罗积分、填充空间实验设计和全局优化。选项允许您跳过、跳过和打乱点数。这qrandstream.函数为间歇采样提供相应的准随机数流。

新plsregress函数执行部分最小二乘回归数据与相关预测。

这诺曼克功能现在阴影区域的法向密度曲线，要么在规格限制内或外。

创建的统计选项结构实例化现在包括字段TolTypeFun和TolTypeX，分别指定客观函数和参数值的公差。

新gmdistribution类代表高斯混合物分布，随机点来自不同的多元正常分布，具有某些概率。这gmdistribution构造函数使用指定的方法、协方差和混合比例创建混合模型，或通过将具有指定数量组件的混合模型拟合到数据中。类的方法包括:

• 适合- 分配拟合功能

• pdf- 概率密度函数

• 提供-累积分布函数

• 随机的- 随机数发生器

• 簇- 数据集群

• 后- 集群后验概率

• 泰姬陵- Mahalanobis距离

这簇分层群集的函数现在接受截止值的向量，并返回群集分配的矩阵，每个截止值一个列。

兼容性考虑因素

这kmeans函数现在返回一个长度为簇索引的向量n， 在哪里n输入数据矩阵的行数是多少X,即使X包含南值。在过去，一排排X与南忽略了值，并且群集指数的向量相应地减小了大小。现在群集指数的向量包含南已忽略行的值，与其他工具箱功能一致。

的一个新选项D最优设计函数candexch指定行交换算法中的固定设计点。已经提供了类似的功能da功能，使用坐标交换算法。

这键糟函数现在使用更精确的方法来计算p-单样本Kolmogorov-Smirnov测试值。

兼容性考虑因素

键糟现在比较一下p-Value到所需的截止，而不是将测试统计值与值表进行比较。结果可能与先前版本中的结果不同，特别是对于过去使用渐近式的双面试验中的小样本。

一个新的拟合函数，copulafit，已添加到使用中描述变量之间依赖性的函数系列Copulas.．该功能适用​​于数据的参数分组，提供边际分布模型与数据相关模型之间的链接。

一些概率函数现在已经提高了精度，特别是对于极端的参数值。功能有:

• betainv- 更准确的概率P接近1。

• Binocdf.-更高效，更不可能耗尽内存的大值X．

• binopdf-更准确的时候，概率P是按照的顺序eps.．

• fcdf- 当参数比率更准确v2./v1.比在X．

• ncx2cdf-在一些极端情况下更准确0．

• poisscdf-更高效，更不可能耗尽内存的大值X．

• TCDF.- 当值的平方时更准确X远低于参数V．

• tinv-更准确的时候，概率P非常接近0.5，输出的幅度非常小。

Function-style语法Paretotails.对象已被删除。

兼容性考虑因素

对上面列出的概率函数的更改可能导致不同的，但比以前的版本更准确的输出。

在以前的版本中，该表单的语法obj（x）为一个Paretotails.对象obj.调用这件事提供方法。此语法现在会产生警告。要评估累积分布函数，请使用语法提供(obj, x)．

新corrcov函数将协方差矩阵转换为相应的相关矩阵。

这mvregress.函数现在支持要强制估计的协万博1manbetx方差矩阵为对角线的选项。

兼容性考虑因素

在以前的版本中mvregress.函数，当使用'cwls'算法，估计系数的协方差COVB使用响应的估计协方差，而不是初始协方差Sigma.．最初的Sigma.现在使用，和COVB与依赖于初始和最终估计之间的差异的程度不同Sigma.．

这箱形图功能有一个新的“紧凑”适合显示大量组的情节风格。

新的分类和数据集阵列可用于组织和处理统计数据。

• 分类阵列促进使用标称和序列分类数据。

• 数据集的数组提供一种封装异构统计数据和元数据的自然方法，从而可以使用类似于数字矩阵的熟悉方法访问和操作它。

• 类别数组和数据集数组支持多种新函数，用于操作封装的数据。万博1manbetx

• 分类阵列现在被接受为使用分组变量的所有统计工具箱函数中的输入参数。

扩展的选项可用于线性假设检测。

• 新linhyptest函数对回归系数等参数进行线性假设检验。这些测试都有形式h * b = c的指定值H和c， 在哪里b是一个参数未知的向量。

• 这covb输出regstats.和Sigma.输出nlinfit是否适合使用作为协方差矩阵输入参数linhyptest．已修改以下功能以返回acovb输出与linhyptest：coxphfit，glmfit，MnRfit.，robustfit．

新Cholcov.函数计算协方差矩阵的Cholesky的分解，即使矩阵不是正定的。因素在许多与弦子因素中的许多方式有用，例如在随机数发生器上强加相关性。

这分类判别分析的功能得到了改善。

• 这个函数现在计算定义分类区域边界的判别函数的系数。

• 函数的输出现在与输入分组变量的类型相同团体．

兼容性考虑因素

这分类函数现在返回与过去不同类型的输出。如果输入参数团体是逻辑向量，输出现在转换为逻辑向量。在过去，输出以单元格数组的形式返回0年代和1年代,如果团体是数字，输出现在转换为相同类型。例如，如果团体的类型是uint8，输出将是类型的uint8．

新Paretotails.物体可用于建模分布，具有经验CDF或类似的分布在尾部中的中心和广义帕圈曲面分布。

• 这Paretotails.函数将数据样本转换为Paretotails.目的。这些对象对于从类似于数据的分布生成随机样本，而是具有比实证分布的离散的尾部行为。

• 对象的Paretotails.类被用于处理分段分布万博1manbetx的各种新方法所支持。

• 这Paretotails.类提供类函数行为，因此p (x)评估的CDFp在价值观上x．

新mvregresslike.函数是一个实用程序mvregress.函数拟合回归模型的多元数据的缺失值。新的函数计算目标(对数似然)函数，也可以计算估计的协方差矩阵的参数估计。

新classregtree对象可用于创建和分析分类和回归树。

• 这classregtree函数拟合分类或回归树到训练数据。这些对象对于预测来自新预测器的响应值很有用。

• 对象的classregtree类由各种新方法支持访万博1manbetx问有关树的信息。

• 这classregtree类提供类函数行为，因此t (X)评估这棵树t在的预测值X．

• 下面的函数现在创建或操作来自new的对象classregtree类:treefit，treedisp，treeval，treefit，treeprune，树．

兼容性考虑因素

对象的classregtree类旨在与上面列出的分类和回归树函数以先前版本中生成的结构阵列兼容。特别是，classregtree万博1manbetx支持表单的点索引T.Property.要获取对象的属性t．该类还通过括号索引提供类似函数的行为，这样t（x）使用树t分类或计算预测器的拟合值x，而不是指数t作为过去的结构阵列。结果，Cell阵列现在应该用于聚合classregtree对象。

新scatterhist功能产生2D数据的散点图，并通过沿两个轴绘制直方图来说明变量的边际分布。该功能对于查看由诸如的功能产生的随机样本的属性也很有用copularnd.，mvnrnd.,lhsdesign．

• 这mvtrnd.函数现在从多变量中产生一个随机样本t如果分布情况下输入参数不存在。

• 这ZScore.通过均值和标准偏差为中心和缩放输入数据的功能，现在将均值和标准偏差返回为额外的输出。

以下演示已更新：

• 选择一个样本大小-修改以突出显示新的sampsizepwr函数

已添加以下可视化功能，常用于实验设计中，已添加：

• interactionplot- 平均值的双因素交互曲线

• maineffectsplot-主要影响图为平均值

• 多元曲线- Multivari图的平均值

增加或改进了假设检验的以下功能:

• Jbtest.替换测试统计量的卡方近似，这是渐近的，用一个更精确的算法插值p- 来自量级表的值。一个新的选项允许您运行Monte Carlo模拟以计算p表外的值。

• lillietest-使用Lilliefors分位数表的改进版本，覆盖更广泛的样本大小和显著性水平，具有更准确的值。新的选项允许您测试指数分布和极值分布，以及正态分布，并运行蒙特卡罗模拟来计算p表外的值。

• runstest- 添加测试以上方或低于指定值的运行的现有测试。

• sampsizepwr- 计算测试所需的示例大小的新功能，以具有指定的电源。选项可用于选择各种测试类型。

兼容性考虑因素

如果某项测试的显著性水平不在表列值的范围内，[0.001,0.5]，则两者都是Jbtest.和lillietest现在返回错误。在以前的版本中，Jbtest.返回一个近似p价值和lillietest返回一个超出较小范围[0.01,0.2]的错误。错误消息建议使用新的蒙特卡罗选项来计算表列值范围之外的值。

如果测试的数据样本导致p-Value在制表值范围之外，然后是两者Jbtest.和lillietest现在返回，带有警告，最小或最大的表格值。在以前的版本中，Jbtest.返回一个近似p价值和lillietest返回南．

多项式分布已被添加到工具箱支持的近50种概率分布列表中。万博1manbetx

• mnpdf- 多项概率密度函数

• mnrnd- 多项式随机数发生器

多项式回归

万博1manbetx已经增加了用于离散多类别响应数据的多项式回归建模的支持，包括多项式逻辑回归。以下新功能补充了回归模型glmfit和glmval通过提供更广泛的响应值：

• MnRfit.- 适合多项式回归模型到数据

• mnrval- 计算多项式回归模型的预测概率

多变量回归

新mvregress.函数对缺少响应值的数据进行多元回归。一个选项允许您指定如何处理丢失的数据。

生存分析

coxphfit—一个新的选项允许您指定计算基线危险的值。

以下新功能巩固和扩展了现有的统计过程控制功能:

• 能力—计算的概率和能力指标范围比有能力的在以前的版本中找到的功能

• controlchart-显示的控制图范围比ewmaplot，schart,XBarplot.在以前的版本中找到的功能

• controlrules-补充新的controlchart功能通过提供更广泛的控制规则(西部电气和纳尔逊)

• gagerr- 对操作员和部分分组的测量进行量度重复性和再现性研究

兼容性考虑因素

这能力函数包容有能力的以前版本的统计工具箱软件中出现的函数，以及controlchart函数包含函数ewmaplot，schart,XBarplot.．为了向后兼容，旧函数仍保留在工具箱中，但它们不再被文档记录或支持。万博1manbetx

万博1manbetx支持嵌套和连续因子已添加到Anovan.功能N-方式方差分析。

增加了以下功能以补充现有功能Bootstrp.用于bootstrap估计的函数:

• Bootci.- 计算引导统计数据的置信区间。选项允许您选择引导置信区间的类型。

• 钉书匠- 从数据集中绘制jackknife样本，并计算每个样本的统计信息

工具箱已添加以下演示：

• Logistic回归模型的贝叶斯分析

• 航空公司乘客数据的时间序列回归

以下演示版本已更新，以演示新功能:

• 随机数生成

新fracfactgen功能找到一组分数阶乘设计发电机，适用于拟合指定的模型。

以下函数D-优化设计得到加强:

• 灯笼，da，dcovary，rowexch- 新选项指定每个因素的值范围和级别的级别，排除因素组合，以分类而不是连续的对待，控制迭代的数量，并从随机起点重复设计生成过程

• candexch-新选项控制迭代次数，并从随机起点重复设计生成过程

• 坎- 新选项指定每个因素的值范围和每个因素的级别数，并将因素视为分类而不是连续

• X2FX.新选项将因素视为绝对的而不是连续的

新dwt函数对线性回归中的自相关性进行杜宾-沃森检验。

已添加两个新功能以计算多变量CDF。这些补充的PDF和随机数发生器的现有功能对于相同的分布。

• mvncdf.-多元正态分布的累积分布函数

• mvtcdf.-累积分布函数为多元t分配

Copulas.

新功能已添加到工具箱中，允许您使用Copulas来模拟相关的多变量数据并从多变量分布生成随机数。

• Copulacdf.- copula的累积分布函数

• copulaparam- Copula参数作为等级相关性的函数

• copulapdf- copula的概率密度函数

• copularnd.- 来自copula的随机数

• Copulastat-一个copula的等级相关

马尔可夫链蒙特卡罗方法

下面的函数使用马尔可夫链蒙特卡罗方法从非标准分布中生成随机数:

• mhsample—使用metropolis - hastings算法生成随机数

• slicesample.—使用切片采样算法生成随机数

皮尔逊和约翰逊分销系统

万博1manbetx从Pearson和Johnson分布系统的随机数生成已添加支持。

• pearsrnd-皮尔逊系统中的随机数

• 约翰林-约翰逊系统中的随机数

来补充robustfit功能，以下功能现在具有强大的拟合选项：

• nlinfit-非线性最小二乘回归

• nlparci.-非线性回归中参数的置信区间

• nlpredci.-非线性回归预测的置信区间

以下控制图函数现在支持时间序列对象：万博1manbetx

• XBarplot.- Xbar Plot.

• schart- 标准偏差图表

• ewmaplot- 指数加权移动平均图

工具箱已添加以下演示：

• 曲线配件和配电配件

• 使用累积概率拟合单变量分布

• 使用主成分分析拟合正交回归

• 用广义帕吻码分布建模尾数据

• 通过转变为线性拟合非线性模型的陷阱

• 加权非线性回归

以下演示已更新：

• 使用广义极值分布建模数据

新partialcorr功能计算一组变量的相关性，同时控制第二组变量。

这GRPSTATS.功能现在计算用于分组数据的更广泛的描述性统计信息。选择包括平均值，元素数量，元素数，组名，标准偏差，方差，置信区分的平均值，置信区间，以及新观测的置信区间。该函数还支持计算用户定义的统计信息。万博1manbetx

Chi-Square良好的测试

新chi2gof功能测试如果样本来自指定的分布，则使用Chi-Square测试统计信息来替换它不来自该分布的替代方案。

方差测试

已添加三个功能以测试样本差异：

• vartest-单样本卡方方差检验。检验一个样本是否来自具有指定方差的正态分布，另一个样本是否来自具有不同方差的正态分布。

• vartest2——两个示例F- 相同的差异。测试如果两个独立的样本来自具有相同方差的正态分布，则反对它们来自具有不同差异的正态分布的替代方案。

• vartestn- Bartlett用于等异的多样样测试。测试如果多个样本来自具有相同方差的正常分布，则反对它们来自具有不同差异的正态分布。

Ansari-Bradley测试

新ansaribradley如果两个独立的样本来自相同的分布，则进行功能测试，对比它们来自具有相同中值和形状但方差不同的分布。

测试的随机性

新runstest函数测试一个值序列是否以随机顺序出现，而不是以非随机顺序出现。

万博1manbetx支持已经添加了两个新的发行版:

• 广义极值分布

• 广义帕累托分布

广义极值分布

广义极值分布将Gumbel、Frechet和Weibull分布组合成一个单一的分布。它被用来模拟数据中的极值。

新增以下分布功能:

• GEVCDF.-累积分布函数

• gevfit-参数估计函数

• gevinv-逆累积分布函数

• Gevlike.- 负对数似然函数

• gevpdf.- 概率密度函数

• gevrnd- 随机数发生器

• Gevstat.- 分布统计

广义帕累托分布

广义帕累托分布用于模拟数据分布的尾部。

新增以下分布功能:

• GPCDF.-累积分布函数

• GPFIT.-参数估计函数

• Gpinv.-逆累积分布函数

• gplike- 负对数似然函数

• gppdf- 概率密度函数

• gprnd- 随机数发生器

• gpstat- 分布统计

• 新coxphfit功能适合COX的比例危险回归模型到数据。

• 新invresf.功能估计简单线性回归的逆预测间隔。

• 这polyconf函数的新选项允许您指定计算的置信区间。

这两个ecdf.和ksdensity函数现在在没有指定输出参数的情况下生成绘图。

这cophenet函数现在返回亲和距离以及亲和相关系数。