La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Introducción a Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox™ proporciona funciones y apps para describir, analizar y modelar datos. Puede utilizar estadísticas descriptivas, visualizaciones y clustering para realizar un análisis exploratorio de los datos, ajustar distribuciones de probabilidad a los datos, generar números aleatorios para simulaciones de Montecarlo y llevar a cabo pruebas de hipótesis. Los algoritmos de regresión y clasificación le permiten hacer inferencias a partir de los datos y construir modelos predictivos, ya sea de forma interactiva, con las apps Classification y Regression Learner, o de forma programática, utilizando AutoML.

Para el análisis de datos multidimensionales y la extracción de características, la toolbox ofrece métodos de análisis de componentes principales (ACP), regularización, reducción de la dimensionalidad y selección de características que permiten identificar las variables con el mejor poder predictivo.

La toolbox proporciona algoritmos de machine learning supervisado, semisupervisado y no supervisado, incluyendo máquinas de vectores de soporte (SVM, por sus siglas en inglés), árboles de decisión potenciados, k-medias y otros métodos de formación de clusters. Puede aplicar técnicas de interpretación como gráficas de dependencia parcial y LIME, y generar automáticamente código C/C++ para despliegues integrados. Muchos algoritmos de la toolbox pueden utilizarse en conjuntos de datos que resultan demasiado grandes para ser almacenados en la memoria.

Tutoriales

• Machine learning en MATLAB
  

  Descubra las prestaciones de machine learning en MATLAB^® para clasificación, regresión, agrupamiento y deep learning, incluyendo apps para entrenamiento automatizado de modelos y generación de código.

• Train Classification Models in Classification Learner App
  

  Workflow for training, comparing and improving classification models, including automated, manual, and parallel training.

• Train Regression Models in Regression Learner App
  

  Workflow for training, comparing and improving regression models, including automated, manual, and parallel training.

• Distribution Plots
  

  Visually compare the empirical distribution of sample data with a specified distribution.

• Explore the Random Number Generation UI
  

  Generate random samples from specified probability distributions, and displays display the samples as histograms.

• Supervised Learning Workflow and Algorithms
  

  Understand the steps for supervised learning and the characteristics of nonparametric classification and regression functions.

• Design of Experiments
  

  Address statistical modeling problems with active data collection.