Accelerating the pace of engineering and science

Statistics and Machine Learning Toolbox

Novedades

Más información sobre nuevas funcionalidades de producto.

Algoritmos para Big Data

Algoritmos para Big Data

realice reducción de dimensiones, estadísticas descriptivas, conglomerados de k medias, regresión lineal, regresión logística y análisis discriminante en datos con memoria insuficiente

Optimización bayesiana

Optimización bayesiana

ajuste los algoritmos de aprendizaje automático mediante la búsqueda de hiperparámetros óptimos

Selección de características

Selección de características

utilice el análisis de componentes vecinos (NCA) para elegir las características de los modelos de aprendizaje automático

Generación de código

Generación de código

genere código C para realizar predicciones mediante SVM y modelos de regresión logística (requiere MATLAB Coder)

Classification Learner

Classification Learner

entrene clasificadores en paralelo (requiere Parallel Computing Toolbox)

Rendimiento del aprendizaje automático

Rendimiento del aprendizaje automático

Acelere el modelado de mezcla gaussiana, las SVM con observaciones duplicadas y los cálculos de distancias para datos dispersos

Análisis de supervivencia

Análisis de supervivencia

Ajuste los modelos de riesgos proporcionales de Cox con nuevas opciones para residuos y gestión de empates

Latest Releases

R2016b (Versión 11.0) - 14 sep 2016

La versión 11.0, que forma parte de la versión 2016b, incluye las mejoras siguientes:

  • Algoritmos para Big Data: realice reducción de dimensiones, estadísticas descriptivas, conglomerados de k medias, regresión lineal, regresión logística y análisis discriminante en datos con memoria insuficiente
  • Optimización bayesiana: ajuste los algoritmos de aprendizaje automático mediante la búsqueda de hiperparámetros óptimos
  • Selección de características: utilice el análisis de componentes vecinos (NCA) para elegir las características de los modelos de aprendizaje automático
  • Generación de código: genere código C para realizar predicciones mediante SVM y modelos de regresión logística (requiere MATLAB Coder)
  • Classification Learner: entrene clasificadores en paralelo (requiere Parallel Computing Toolbox)
  • Rendimiento del aprendizaje automático: Acelere el modelado de mezcla gaussiana, las SVM con observaciones duplicadas y los cálculos de distancias para datos dispersos
  • Análisis de supervivencia: Ajuste los modelos de riesgos proporcionales de Cox con nuevas opciones para residuos y gestión de empates

Consulte el comunicado sobre la nueva versión para obtener más detalles.

R2016a (Versión 10.2) - 3 mar 2016

La versión 10.2, que forma parte de la versión 2016a, incluye las mejoras siguientes:

  • Aprendizaje automático para datos altamente dimensionales: realizar un ajuste rápido de modelos de regresión y clasificación lineal con técnicas tales como descenso de gradiente estocástico y (L)BFGS mediante las funciones fitclinear y fitrlinear.
  • Classification Learner: entrenar varios modelos automáticamente, visualizar resultados por etiquetas de clase y realizar clasificaciones de regresión logística.
  • Rendimiento: llevar a cabo la organización en clusteres mediante kmeans, kmedoids y modelos de mezcla gaussiana con mayor rapidez cuando los datos presentan un número elevado de clusteres.
  • Distribuciones de probabilidad: ajustar la densidad de suavizado de kernel a datos multivariante mediante las funciones ksdensity y mvksdensity.
  • Distribuciones estables: modelizar datos financieros y de otros tipos que requieren distribuciones de colas pesadas.

Consulte el comunicado sobre la nueva versión para obtener más detalles.

R2015b (Versión 10.1) - 3 sep 2015

La versión 10.1, que forma parte de la versión 2015b, incluye las mejoras siguientes:

  • Classification Learner: Use y mejore el análisis discriminante para clasificar datos, use y mejore los modelos usando predictores categóricos y lleve a cabo la reducción de la dimensionalidad usando PCA
  • Regresión no paramétrica: Ajuste los modelos usando regresión de vectores de soporte (SVR) o procesos gaussianos (Kriging)​
  • Tablas y datos categóricos para el aprendizaje automático: Use predictores de tabla y categóricos en las funciones de clasificación y regresión no paramétrica, así como en Classification Learner​
  • Generación de código: Genere código C y C++ automáticamente para las funciones kmeans y randsample (usando MATLAB Coder)​
  • Aceleración de GPU: Acelere la velocidad de cálculo en más de 65 funciones, entre las que se incluyen distribuciones de probabilidad, estadísticas descriptivas y pruebas de hipótesis (usando Parallel Computing Toolbox)​

Consulte el comunicado sobre la nueva versión para obtener más detalles.

R2015a (Versión 10.0) - 5 mar 2015

La versión 10.0, que forma parte de la versión 2015a, incluye las mejoras siguientes:

  • Aplicación de clasificación para formar modelos y clasificar datos usando aprendizaje automático supervisado
  • Pruebas estadísticas para comparar precisiones de dos modelos de clasificación usando las funciones compareHoldout, testcholdout y testckfold
  • Aumento de la velocidad de kmedoids, fitcknn y otras funciones al usar los cálculos de distancia de coseno, correlación o Spearman
  • Mejoras en el rendimiento de los árboles de decisión y las curvas de rendimiento​​
  • Opción adicional para controlar la profundidad de los árboles de decisión usando el argumento 'MaxNumSplits' en las funciones fitctree, fitrtree y templateTree
  • Generación de código para las funciones kmeans y pca (usando MATLAB Coder)
  • Tamaño de energía y muestra para la prueba t-test de dos muestras usando la función sampsizepwr

Consulte el comunicado sobre la nueva versión para obtener más detalles.

R2014b (Versión 9.1) - 2 oct 2014

La versión 9.1, que forma parte de la versión 2014b, incluye las mejoras siguientes:

  • Aprendizaje multiclase para máquinas de vector soporte y otros clasificadores mediante la función fitcecoc
  • Modelos lineales de efectos mixtos generalizados mediante la función fitglme
  • Agrupación en clúster robusta para los elementos periféricos mediante la función kmedoids
  • Aceleración de la agrupación en clúster de kmeans y gmdistribution mediante el algoritmo kmeans++
  • Prueba exacta de Fisher para tablas de contingencia de 2 por 2

Consulte el comunicado sobre la nueva versión para obtener más detalles.