Визуализируйте многомерные данные с помощью различных статистических графиков. Много статистических анализов включают только две переменные: переменный предиктор и переменная отклика. Такие данные легки визуализировать использующие 2D графики рассеивания, двумерные гистограммы, коробчатые диаграммы, и т.д. Также возможно визуализировать trivariate данные с 3D графиками рассеивания или 2D графиками рассеивания с третьей переменной, закодированной с, например, окрасить. Однако много наборов данных включают большее число переменных, делая прямую визуализацию более трудной. Этот пример исследует некоторые способы визуализировать высоко-размерные данные в MATLAB®, с помощью Statistics and Machine Learning Toolbox™.

Соответствуйте нескольким объектам вероятностного распределения к тому же набору выборочных данных и получите визуальное сравнение того, как хорошо каждое распределение соответствует данным.

Подходящее вероятностное распределение возражает против сгруппированных выборочных данных, и создайте график визуально сравнить PDF каждой группы.

Функция mle вычисляет оценки наибольшего правдоподобия (MLEs) для распределения, заданного его именем и для пользовательского дистрибутива, заданного его функцией плотности вероятности (PDF), журнал PDF или отрицательная логарифмическая функция правдоподобия.

Выполните подбор кривой аппроксимирования кривыми и распределения, и обсуждает, когда каждый метод является соответствующим.

Используйте связки, чтобы сгенерировать данные из многомерных распределений, когда существуют сложные отношения среди переменных, или когда отдельные переменные от различных распределений.

Подходящие одномерные распределения с помощью оценок методом наименьших квадратов кумулятивных функций распределения. Это - обычно применимый метод, который может быть полезным в случаях, когда наибольшее правдоподобие перестало работать, например, некоторые модели, которые включают пороговый параметр.

Используйте функцию Statistics and Machine Learning Toolbox™ mle, чтобы соответствовать пользовательским дистрибутивам к одномерным данным.

Используйте еще некоторые усовершенствованные методы с функцией Statistics and Machine Learning Toolbox™ mle, чтобы соответствовать пользовательским дистрибутивам к одномерным данным. Методы включают подбирающие модели в подвергнутые цензуре данные и рисунок некоторых числовых деталей подбора кривой пользовательскими дистрибутивами.

Определите количество выборок, или наблюдения должны были выполнить статистический тест. Это иллюстрирует вычисления объема выборки для простой проблемы, затем показывает, как использовать функцию sampsizepwr, чтобы вычислить степень и объем выборки для двух более реалистических проблем. Наконец, это иллюстрирует использование функций Statistics and Machine Learning Toolbox™, чтобы вычислить необходимый объем выборки для теста, который не поддерживает функция sampsizepwr.

Тестирование гипотезы является общепринятой методикой рисования выводов о населении на основе статистических данных от выборки.

Исследуйте общие черты и несходства наблюдений или объектов с помощью кластерного анализа в Statistics and Machine Learning Toolbox™. Данные часто естественно попадают в группы (или кластеры) наблюдений, где характеристики объектов в том же кластере подобны, и характеристики объектов в различных кластерах отличаются.

Соответствуйте и оцените обобщенные линейные модели с помощью glmfit и glmval. Обычная линейная регрессия может использоваться, чтобы соответствовать прямой линии или любой функции, которая линейна в ее параметрах к данным с нормально распределенными ошибками. Это - обычно используемая модель регрессии; однако, это - не всегда реалистическое. Обобщенные линейные модели расширяют линейную модель двумя способами. Во-первых, предположение о линейности в параметрах ослабляется путем представления функции ссылки. Во-вторых, распределения ошибок кроме нормального могут быть смоделированы

Сделайте Байесовы выводы для модели логистической регрессии, использующей slicesample.

Подбирайте нелинейную модель регрессии для данных с непостоянным ошибочным отклонением.

Примените Частичную регрессию наименьших квадратов (PLSR) и Регрессию основных компонентов (PCR), и обсуждает эффективность этих двух методов. PLSR и PCR являются оба методами, чтобы смоделировать переменную отклика, когда существует большое количество переменных предикторов, и те предикторы высоко коррелируются или даже коллинеарные. Оба метода создают новые переменные предикторы, известные как компоненты, как линейные комбинации исходных переменных предикторов, но они создают те компоненты по-разному. PCR создает компоненты, чтобы объяснить наблюдаемую изменчивость в переменных предикторах, не рассматривая переменную отклика вообще. С другой стороны, PLSR действительно принимает переменную отклика во внимание, и поэтому часто приводит к моделям, которые могут соответствовать переменной отклика меньшим количеством компонентов. Переводит ли это в конечном счете в более экономную модель, в терминах ее практического применения, зависит от контекста.

Обучите простой ансамбль классификации.

Выполните классификацию с помощью дискриминантного анализа, наивных классификаторов Байеса и деревьев решений.

Создайте автоматизированный инструмент кредитного рейтинга.

Создайте несколько моделей классификации, оптимизируйте их гиперпараметры и выберите модель, которая выполняет лучшее на наборе тестовых данных.

Выберите функции классификации высоко-размерных данных. А именно, это показывает, как выполнить последовательный выбор признаков, который является одним из самых популярных алгоритмов выбора признаков. Это также показывает, как использовать затяжку и перекрестную проверку, чтобы оценить производительность выбранных функций.

Примените Частичную регрессию наименьших квадратов (PLSR) и Регрессию основных компонентов (PCR), и обсуждает эффективность этих двух методов. PLSR и PCR являются оба методами, чтобы смоделировать переменную отклика, когда существует большое количество переменных предикторов, и те предикторы высоко коррелируются или даже коллинеарные. Оба метода создают новые переменные предикторы, известные как компоненты, как линейные комбинации исходных переменных предикторов, но они создают те компоненты по-разному. PCR создает компоненты, чтобы объяснить наблюдаемую изменчивость в переменных предикторах, не рассматривая переменную отклика вообще. С другой стороны, PLSR действительно принимает переменную отклика во внимание, и поэтому часто приводит к моделям, которые могут соответствовать переменной отклика меньшим количеством компонентов. Переводит ли это в конечном счете в более экономную модель, в терминах ее практического применения, зависит от контекста.

Используйте Анализ основных компонентов (PCA), чтобы соответствовать линейной регрессии. PCA минимизирует перпендикулярные расстояния от данных до подобранной модели. Это - линейный случай того, что является известным как Ортогональную Регрессию или Общие Наименьшие квадраты, и является соответствующим, когда нет никакого естественного различия между переменными прогноза и переменными отклика, или когда все переменные измеряются с ошибкой. Это в отличие от обычного предположения регрессии, что переменные предикторы измеряются точно, и только переменная отклика имеет ошибочный компонент.

Выполните выбор признаков, который устойчив к выбросам с помощью пользовательской устойчивой функции потерь в NCA.

Настройте параметр регуляризации в fscnca использование перекрестной проверки. Настройка параметра регуляризации помогает правильно обнаружить соответствующие функции в данных.

Сделайте более устойчивую и более простую модель путем удаления предикторов, не ставя под угрозу предсказательную силу модели.

Выберите предикторы разделения для случайных лесов с помощью алгоритма проверок взаимодействия.

Полный рабочий процесс для извлечения признаков от данных изображения.

Используйте rica, чтобы распутать смешанные звуковые сигналы.

Как t-SNE создает полезное низко-размерное встраивание высоко-размерных данных.

Эффекты различных tsne настроек.

Используйте факторный анализ, чтобы заняться расследованиями, испытывают ли компании в том же секторе подобные изменения от недели к неделе в курсах акций.

Выполните факторный анализ с помощью Statistics and Machine Learning Toolbox™.

Выполните неотрицательную матричную факторизацию с помощью мультипликативных и переменных алгоритмов наименьших квадратов.

Используйте cmdscale, чтобы выполнить классическое (метрическое) многомерное масштабирование, также известное как основной анализ координат.

Выполните классическое многомерное масштабирование с помощью функции cmdscale в Statistics and Machine Learning Toolbox™. Классическое многомерное масштабирование, также известное как Основной Анализ Координат, берет матрицу, разделяют расстояния знаками препинания, и создает настройку точек. Идеально, те точки могут быть созданы в два или три измерения, и Евклидовы расстояния между ними приблизительно воспроизводят исходную матрицу расстояния. Таким образом график рассеивания тех точек обеспечивает визуальное представление исходных расстояний.

Визуализируйте данные о несходстве с помощью неклассических форм многомерного масштабирования (MDS).

Используйте анализ Procrustes, чтобы сравнить две рукописных цифры.

Анализируйте пожизненные данные с цензурированием. В биологических или медицинских приложениях это известно как анализ выживания, и времена могут представлять время выживания организма или время, пока болезнь не вылечена. В инженерных приложениях это известно как анализ надежности, и времена могут представлять время отказу элемента оборудования.

Выполните статистический анализ и машинное обучение на данных, которые не помещаются в память, с MATLAB® и Statistics and Machine Learning Toolbox™.

Выполните Байесовую оптимизацию, чтобы выбрать оптимальные параметры для обучения классификатор ядра на длинных массивах.

Используйте логистическую регрессию и другие методы, чтобы выполнить анализ данных длинных массивов.

Сгенерируйте код от функции MATLAB, которая классифицирует изображения цифр с помощью обученной модели классификации.

Сгенерируйте код из модели Simulink классификации, подготовленной к развертыванию на смартфоне.

Сгенерируйте код для прогноза классификации или модели регрессии в командной строке.

Сгенерируйте код для прогноза классификации или модели регрессии при помощи приложения MATLAB Coder.

Сгенерируйте код для нахождения самых близких соседей, использующих самую близкую соседнюю модель искателя.

Сгенерируйте код, который принимает входные параметры, размер которых может измениться во время выполнения.

Преобразуйте категориальные предикторы в числовые фиктивные переменные прежде, чем соответствовать классификатору SVM и сгенерировать код.

Сгенерируйте фиксированную точку для прогноза классификации SVM или модели регрессии.

Сгенерируйте код, который соответствует объекту вероятностного распределения к выборочным данным и оценивает подходящий объект распределения.

Сгенерируйте код из модели Simulink, которая классифицирует данные с помощью модели SVM.

Сгенерируйте код от Системного объекта для того, чтобы сделать прогнозы с помощью обученной модели классификации и используйте Системный объект в модели Simulink.

Сгенерируйте код из модели Stateflow, которая классифицирует данные с помощью классификатора дискриминантного анализа.