统计和机器学习工具箱™提供了描述、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、可视化和聚类来进行探索性数据分析,将概率分布拟合到数据,为蒙特卡罗模拟生成随机数,并执行假设检验。回归和分类算法可以让你从数据中得出推论,并建立预测模型,或者交互地,使用分类和回归学习者应用程序,或者编程地,使用AutoML。
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。
该工具箱提供了监督、半监督和非监督的机器学习算法,包括支持向量机(svm)、增强的决策树、万博1manbetxk-均值等聚类方法。您可以应用可解释性技术,如部分依赖图和LIME,并为嵌入式部署自动生成C/ c++代码。许多工具箱算法可以用于太大而不能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
在数据中寻找自然分组和模式的无监督学习技术
方差分析及协方差分析,多因素方差分析,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(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
为统计和机器学习工具箱函数生成C/ c++代码和MEX函数