Main Content

La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.

Statistics and Machine Learning Toolbox

Analice y modele datos utilizando estadísticas y machine learning

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 apoyo (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.

Introducción a Statistics and Machine Learning Toolbox

Aprender los aspectos básicos de Statistics and Machine Learning Toolbox

Estadística descriptiva y visualización

Importación y exportación de datos, estadísticas descriptivas, visualización

Distribuciones de probabilidades

Modelos de frecuencia de datos, generación de muestras aleatorias y estimación de parámetros

Pruebas de hipótesis

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

Análisis de clusters

Técnicas de aprendizaje no supervisado para hallar grupos naturales y patrones en los datos

ANOVA

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

Regresión

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

Clasificación

Algoritmos de aprendizaje supervisados y semisupervisados para problemas binarios y multiclase

Reducción de la dimensionalidad y extracción de características

PCA, análisis factorial, selección de características, extracción de características y mucho más

Estadística industrial

Diseño de experimentos (DOE, por sus siglas en inglés); análisis de supervivencia y fiabilidad; control estadístico de procesos

Análisis de big data con arreglos altos

Analizar datos con memoria insuficiente

Acelerar los cálculos estadísticos

Cálculo paralelo o distribuido de las funciones estadísticas

Generación de código

Genere código C/C++ y funciones MEX para las funciones de Statistics and Machine Learning Toolbox