帮助中心
统计和机器学习工具箱™提供了描述、分析和建模数据的功能和应用程序。你可以对探索性数据使用描述性统计、可视化和聚类分析,将概率分布拟合到数据,生成蒙特随机数卡洛模拟,并进行假设测试。回归和分类算法可以让您从数据中进行推断并构建预测模型交互式使用分类和回归学习者应用程序,或以编程方式,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电源。
工具箱提供有监督、半监督和无监督的机器学习算法,包括支持向量机(SVM)、增强决策树、,k个-方法和其他聚类方法。你可以申请部分相关图和LIME等可解释性技术,以及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存储在内存中的数据集太大。
学习统计和机器学习工具箱的基本知识
数据导入和导出、描述性统计、可视化
数据频率模型、随机样本生成、参数估计
t检验、F检验、卡方拟合优度检验,以及更多
寻找自然分组、模式和数据异常
多元方差和协方差分析方差分析,重复测量方差分析
监督学习的线性、广义线性、非线性和非参数技术
二元和多类问题的监督和半监督学习算法
主成分分析、因子分析、特征选择、特征提取,等等
实验设计(DOE);生存和可靠性分析;统计过程控制
分析内存外数据
并行或分布式统计计算功能
为统计和机器学习工具箱函数生成C/C++代码和MEX函数
将统计和机器学习方法应用于特定行业工作流
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
选择网站
选择一个网站以获取可用的翻译内容,并查看当地活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站未针对您所在地的访问进行优化。
联系当地办事处