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

Descripción del productoStatistics and Machine Learning Toolbox

Analice y modele los datos mediante estadísticas y aprendizaje automático

proporciona funciones y aplicaciones para describir, analizar y modelar datos.Statistics and Machine Learning Toolbox™ Puede utilizar estadísticas y trazados descriptivos para el análisis de datos exploratorios, ajustar las distribuciones de probabilidad a los datos, generar números aleatorios para las simulaciones de Montecarlo y realizar pruebas de hipótesis. Los algoritmos de regresión y clasificación le permiten extraer inferencias 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 a su modelo.Statistics and Machine Learning Toolbox

La caja de herramientas proporciona algoritmos de aprendizaje automático supervisados y no supervisados, incluidas máquinas de vectores de soporte (SVMs), árboles de decisión potenciados y en bolsa,-vecino más cercano,-Means,-medoids, clustering jerárquico, modelos de mezcla gaussiana y ocultos Modelos de Markov.kkk Muchas de las estadísticas y algoritmos de aprendizaje automático se pueden utilizar para los cálculos en conjuntos de datos que son demasiado grandes para almacenarse en la memoria.

Características clave

  • Las técnicas de regresión, incluyendo lineal, lineal generalizada, no lineal, robusta, regularizada, ANOVA, medidas repetidas y modelos de efectos mixtos

  • Algoritmos de macrodatos para reducción de dimensiones, estadísticas descriptivas,-significa clustering, regresión lineal, regresión logística y análisis discriminantek

  • Distribuciones de probabilidad univariadas y multivariadas, generadores de números aleatorios y cuasi aleatorios, y muestreadores de cadena de Markov

  • Pruebas de hipótesis para distribuciones, dispersión y ubicación, y técnicas de diseño de experimentos (DOE) para diseños óptimos, factoriales y de superficie de respuesta

  • La aplicación de clasificación y los algoritmos para el aprendizaje automático supervisado, incluidas las máquinas de vectores de soporte (SVMs), los árboles de decisión potenciados y en bolsas, el vecino más cercano, Bayes ingenuos, el análisis discriminante y la regresión del proceso Gaussianok

  • Los algoritmos de aprendizaje automático no supervisados, incluidos los medios, los medoides, los clústeres jerárquicos, las mezclas Gaussianas y los modelos ocultos de Markovkk

  • Optimización bayesiana para ajustar algoritmos de aprendizaje automático mediante la búsqueda de hiperparámetros óptimos