Запуск с Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox™ предоставляет функции и приложения для описания, анализа и данных моделей. Можно использовать описательную статистику, визуализацию и кластеризацию для исследовательского анализа данных, подгонять распределения вероятностей к данным, генерировать случайные числа для симуляций Монте-Карло и выполнять проверку гипотез. Алгоритмы регрессии и классификации позволяют делать выводы из данных и создавать прогнозирующие модели или в интерактивном режиме, используя приложения Classification и Regression Learner, или программно, используя AutoML.

Для многомерного анализа данных и редукции данных, тулбокс обеспечивает основной анализ компонентов (PCA), регуляризацию, уменьшение размерности и методы выбора признаков, которые позволяют идентифицировать переменные с лучшей прогностической степенью.

Тулбокс предоставляет контролируемые, полуалгоритмы машинного обучения с учителем и без учителя, включая машины опорных векторов (SVM), усиленные деревья решений, k-методы и другие методы кластеризации. Можно применить методы интерпретации, такие как графики частичной зависимости и LIME, и автоматически сгенерировать код C/C + + для встроенного развертывания. Многие алгоритмы тулбокса могут использоваться на наборах данных, которые являются слишком большими, чтобы храниться в памяти.

Руководства

• Машинное обучение в MATLAB
  

  Откройте для себя возможности машинного обучения в MATLAB^® для классификации, регрессии, кластеризации и глубокого обучения, включая приложения для автоматического обучения модели и генерации кода.

• Обучите классификационные модели в приложении Classification Learner
  

  Рабочий процесс для обучения, сравнения и улучшения классификационных моделей, включая автоматизированное, ручное и параллельное обучение.

• Обучите регрессионные модели в приложении Regression Learner
  

  Рабочий процесс для обучения, сравнения и улучшения регрессионых моделей, включая автоматизированное, ручное и параллельное обучение.

• Графики распределения
  

  Визуально сравните эмпирическое распределение выборочных данных с заданным распределением.

• Исследуйте пользовательский интерфейс генерации случайных чисел
  

  Сгенерируйте случайные выборки из заданных распределений вероятностей и отобразите отображение выборки как гистограммы.

• Рабочий процесс и алгоритмы управляемого обучения
  

  Осмыслите шаги для контролируемого обучения и характеристики непараметрических функций классификации и регрессии.

• Проект экспериментов
  

  Решите проблемы статистического моделирования с активным набором данных.