Main Content

Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Statistics and Machine Learning Toolbox

Analizar y modelar datos utilizando estadísticas y aprendizaje automático

proporciona funciones y aplicaciones para describir, analizar y modelar datos.Statistics and Machine Learning Toolbox™ Puede utilizar estadísticas y gráficas descriptivas para el análisis de datos exploratorios, ajustar las distribuciones de probabilidad a los datos, generar números aleatorios para simulaciones de Monte Carlo y realizar pruebas de hipótesis. Los algoritmos de regresión y clasificación le permiten extraer inferencias a partir de datos y crear modelos predictivos.

Para el análisis de datos multidimensionales, proporciona selección de características, regresión escalonada, análisis de componentes principales (PCA), regularización y otros métodos de reducción de dimensionalidad que le permiten identificar variables o características que afectan al modelo.Statistics and Machine Learning Toolbox

La caja de herramientas proporciona algoritmos de aprendizaje automático supervisados y no supervisados, incluidas máquinas vectoriales de soporte (STM), árboles de decisión potenciados y embolsados, -vecino más cercano, -medios, -medoides, agrupación jerárquica, modelos de mezcla gaussiana y oculto Modelos Markov.kkk Muchas de las estadísticas y algoritmos de aprendizaje automático se pueden utilizar para los cálculos de conjuntos de datos que son demasiado grandes para almacenarse en la memoria.

IntroducciónStatistics and Machine Learning Toolbox

Aprender los aspectos básicos de Statistics and Machine Learning Toolbox

Estadísticas y visualización descriptivas

Importación y exportación de datos, estadísticas descriptivas, visualización

Distribuciones de probabilidad

Modelos de frecuencia de datos, generación aleatoria de muestras, estimación de parámetros

Pruebas de hipótesis

t-test, Prueba F, prueba de bondad chi-cuadrado de ajuste, y más

Análisis de clústeres

Técnicas de aprendizaje no supervisadas para encontrar agrupaciones y patrones naturales en los datos

Anova

Análisis de varianza y covarianza, ANOVA multivariante, medidas repetidas ANOVA

Regresión

Técnicas lineales, lineales, no lineales y no paramétricas para el aprendizaje supervisado

Clasificación

Algoritmos de aprendizaje supervisados para problemas binarios y multiclase

Reducción de dimensionalidad y extracción de características

PCA, análisis de factores, selección de características, extracción de entidades y más

Estadísticas Industriales

Diseño de experimentos (DOE); análisis de supervivencia y fiabilidad; control estadístico del proceso

Análisis de Big Data con matrices altas

Analizar datos de memoria insuficiente

Acelerar los cálculos estadísticos

Cálculo paralelo o distribuido de funciones estadísticas

Generación de código

Generar código C/C++ y funciones MEX para funcionesStatistics and Machine Learning Toolbox