统计和机器学习工具箱提供了用于发现模式和选择特征、使用应用程序训练分类或回归模型以及部署到企业和嵌入式系统的工具。在本例中，回归模型使用多个数据源(包括时间戳历史电力负荷数据和天气数据)预测电网中的未来负荷。您可以开始探索描述性统计和可视化，包括盒图来比较均值和方差，树状图来揭示聚类和结构。
在MATLAB中预处理数据后，您可以根据预测因子和响应之间的高度相关性确定要选择哪些变量作为特征。让主成分分析识别转换后的特征，这些特征占数据可变性的大部分，或者使用自动化的特征选择方法。
使用分类和回归学习者应用程序，您可以交互式地构建预测分类或回归模型，包括最近邻、决策树和浅神经网络。优化超参数，将多个模型和交叉验证的结果与单独的测试数据进行比较，并使用混淆矩阵或ROC曲线可视化性能。许多工具箱算法都使用内存不足的数据，不需要修改任何代码。一旦确定了机器学习模型，就可以使用MATLAB编译器将该模型部署到IT系统中，或者使用MATLAB Coder生成可在嵌入式设备上使用的独立c代码。
您可以用新的数据增量地更新线性模型，也可以在不重新生成预测代码的情况下更新嵌入式模型。统计和机器学习工具箱提供了各种统计功能，包括假设检验、方差分析和工业统计。要开始使用，请参考产品页面上的示例和信息，或下载下面的免费试用版。
