统计和机器学习工具箱
分析和使用统计和机器学习模型数据
统计和机器学习工具箱™提供的功能和应用程序来描述，分析和模型数据。您可以使用描述性统计和图表的探索性数据分析，拟合概率分布数据，生成Monte Carlo模拟随机数，并进行假设检验。回归和分类算法让你从数据中得出的推论，并建立预测模型。
对于多维数据分析，统计和机器学习工具箱提供的功能选择，逐步回归，主成分分析（PCA），正规化，和其他降维方法，让您识别变量或功能会影响你的模型。
工具箱提供监督和无监督的机器学习算法，包括支持向量机（SVM），升压和袋装决策树，万博1manbetxķ-最近的邻居，ķ-手段，ķ-medoids，层次聚类，高斯混合模型和隐马尔可夫模型。许多统计和机器学习算法，可用于对数据集是太大而无法存储在内存中的计算。
入门
学习统计和机器学习工具箱的基础知识
描述性统计分析和可视化
数据导入和导出，描述性统计，可视化
概率分布
数据的频率模式，随机样品生成，参数估计
假设检验
t检验，F检验，卡方拟合优度检验，和更
聚类分析
无监督学习技术来发现数据的自然分组和模式
方差分析
方差和协方差分析，多元方差分析，重复测量方差分析
回归
线性，广义线性，非线性，以及用于监督学习非参数方法
分类
监督学习算法的二进制和多类问题
降维和特征提取
PCA，因子分析，特征选择，特征提取，多
工业统计
试验设计（DOE）;生存和可靠性数据;统计过程控制
大数据分析与高大的数组
分析出的内存数据
加快统计计算
统计功能并行或者分布式计算
代码生成
生成统计和机器学习工具箱功能的C / C ++代码和MEX功能
您还可以选择从下面的列表中的网站：
