Используйте методы передискретизации, чтобы оценить описательную статистику и доверительные интервалы от выборочных данных, когда параметрическим тестовым предположениям не будут соответствовать, или для небольших выборок от ненормальных распределений. Загрузитесь методы выбирают случайные выборки с заменой от выборочных данных, чтобы оценить доверительные интервалы для параметров интереса. Складной нож систематически повторно вычисляет параметр интереса с помощью подмножества выборочных данных, упуская одно наблюдение из подмножества каждый раз (передискретизация "пропускают один"). От этих вычислений это оценивает представляющий интерес параметр для целой выборки данных. Если у вас есть лицензия Parallel Computing Toolbox™, можно использовать параллельные вычисления, чтобы ускорить вычисления передискретизации.
bootci | Загрузите доверительный интервал |
bootstrp | Загрузите выборку |
crossval | Оцените потерю с помощью перекрестной проверки |
datasample | Случайным образом демонстрационный из данных, с или без замены |
jackknife | Выборка складного ножа |
randsample | Случайная выборка |
Используйте начальную загрузку и методы складного ножа, чтобы измерить неопределенность в предполагаемых параметрах и статистике.
Параллельные вычисления быстрого запуска для Statistics and Machine Learning Toolbox
Начните с параллельным статистическим вычислением.
Реализуйте складной нож Используя параллельные вычисления
Ускорьте складной нож с помощью параллельных вычислений.
Реализуйте перекрестную проверку Используя параллельные вычисления
Ускорьте перекрестную проверку с помощью параллельных вычислений.
Реализуйте начальную загрузку Используя параллельные вычисления
Ускорьте начальную загрузку с помощью параллельных вычислений.