统计和机器学习工具箱
使用统计学和机器学习分析和建模数据
统计和机器学习工具箱™提供描述,分析和模型数据的功能和应用。您可以使用描述性统计,可视化和聚类来进行探索数据分析;适合数据的概率分布;为Monte Carlo模拟生成随机数,并执行假设测试。回归和分类算法允许您使用AutomL使用分类和回归学习者应用程序的数据和建立预测模型的推论,并使用Automal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。
工具箱提供监督,半监督和非监督机器学习算法,包括支持向量机(SVM),提升决策树,万博1manbetxK均值和其他聚类方法。您可以应用偏依赖性地块和石灰等解释性技术,并自动生成用于嵌入式部署的C / C ++代码。许多工具箱算法可以用于太大的数据集,该算法太大,无法存储在内存中。
开始:
免费电子书
掌握机器学习:一步一步的指导与MATLAB
可视化
使用概率绘图,盒子图,直方图,分位数 - 分位数和多变量分析的高级绘图探索数据,例如树木图,双针和安德鲁斯图。
聚类分析
通过使用K-Means,K-METOIDS,DBSCAN,分层和光谱聚类和高斯混合和隐藏的Markov模型进行分组数据来发现模式。
特征提取
使用无监督的学习技术从数据中提取特征,例如稀疏过滤和重建ICA。您还可以使用专门的技术来提取图像,信号,文本和数字数据的特征。
功能选择
自动识别在数据建模中提供最佳预测能力的特征子集。特征选择方法包括逐步回归、序列特征选择、正则化和集成方法。
特征变换和降维
通过将现有的(非分类的)特征转换为新的预测变量来降低维数,在这些预测变量中可以去掉较少的描述性特征。特征变换方法包括主成分分析、因子分析和非负矩阵分解。
火车,验证和曲调预测模型
比较各种机器学习算法,选择功能,调整超参数,评估许多流行的分类和回归算法的性能。使用交互式应用程序构建并自动优化预测模型,并使用流数据逐步改进模型。
模型解释性
通过应用建立的可解释性方法,增强黑箱机器学习模型的可解释性,包括部分依赖性地块,个人有条件期望(ICE)和局部可解释模型 - 不可知解释(石灰)。
自动机器学习
通过自动调整超参数,选择功能和模型以及通过成本矩阵寻址数据集不平衡来提高模型性能。
线性和非线性回归
从许多线性和非线性回归算法中选择多个预测器或响应变量对复杂系统的行为进行建模。拟合具有嵌套和/或交叉随机效应的多层次或层次化、线性、非线性和广义线性混合效应模型,以执行纵向或面板分析、重复测量和增长建模。
非参数回归
使用支持向量机、随机森林、高斯过程和高斯核,在不指定描述预测器和响应之间关系的模型的情况下生成精确的拟合。
方差分析(ANOVA)
将样本方差分配给不同的源,并确定各种群体中是否出现在不同人群中。使用单向,双向,多路,多变量和非参数ANOVA,以及协方差分析(ANOCOVA)和反复措施的方差分析(RANOVA)。
假设检验
对一个、成对或独立的样本进行t检验、分布检验(卡方、Jarque-Bera、Lilliefors和Kolmogorov-Smirnov)和非参数检验。检验自动校正和随机性,并比较分布(两样本Kolmogorov-Smirnov)。
统计过程控制(SPC)
通过评估过程的可变性来监控和改进产品或过s manbetx 845程。创建控制图,评估工艺能力,执行量具重复性和再现性研究。
可靠性和生存分析
通过执行Cox比例风险回归和拟合分布来可视化和分析有和没有审查的失效时间数据。计算经验危险,幸存者,和累积分布函数,以及核密度估计。
用高数组分析大数据
使用具有许多分类,回归和聚类算法的高阵列和表,以在不改变代码的情况下培训不适合内存的数据集的模型。
云计算和分布式计算
使用云实例加速统计和机器学习计算。在MATLAB Online™中执行完整的机器学习工作流。
代码生成
生成可移植和可读的C或c++代码,用于推断分类和回归算法,描述性统计,和概率分布使用MATLAB Coder™。使用Fixed Point Designer™以降低精度生成C/ c++预测代码,并在不重新生成预测代码的情况下更新已部署模型的参数。
与Simulink集成万博1manbetx
将机器学习模型与Simulink模型集成,以部署到嵌入式硬件或系统仿真,验证和万博1manbetx验证。
与应用程序和企业系统集成
将统计和机器学习模型作为独立,MapReduce或Spark™应用部署;作为Web应用程序;或作为微软®excel.®使用MATLAB Compiler™的插件。构建C/ c++共享库,Microsoft .NET程序集,Java®Python类,®使用Matlab Compiler SDK™的包。