开始统计和机器学习工具箱
使用统计和机器学习分析和模拟数据
统计和机器学习工具箱™提供函数和应用程序来描述,分析和模型数据。您可以使用描述性统计,可视化和群集进行探索数据分析,适用于数据的概率分布,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的分类和回归学习者应用程序绘制从数据和建立预测模型的推广,并使用Automl使用Automl。
对于多维数据分析和特征提取,工具箱提供主成分分析(PCA),正常化,维数减少和特征选择方法,可让您识别具有最佳预测功率的变量。
该工具箱提供监督,半监督和无监督的机器学习算法,包括支持向量机(SVM),提升决策树,金宝appK.- eans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,无法存储在内存中。
教程
- Matlab的机器学习
发现Matlab的机器学习功能®用于分类,回归,聚类和深度学习,包括自动模型培训和代码生成的应用程序。
- 在分类学习者应用中列车分类模型
用于培训,比较和改进分类模型的工作流程,包括自动化,手动和并行培训。
- 回归学习者的火车回归模型
用于培训,比较和改进回归模型的工作流程,包括自动化,手动和并行培训。
- 分布图
用指定的分布在视觉比较样本数据的经验分布。
- 探索随机数生成UI
从指定的概率分布生成随机样本,并显示显示样本作为直方图。
- 监督学习工作流程和算法
了解监督学习的步骤和非参数分类和回归函数的特征。
- 实验设计
解决活动数据收集的统计建模问题。