Statistics and Machine Learning Toolbox proporciona funciones y apps para describir, analizar y modelar datos. Puede utilizar estadística descriptiva, visualizaciones y agrupación en clusters para el análisis exploratorio de datos, ajustar distribuciones de probabilidad a datos, generar números aleatorios para simulaciones Montecarlo y realizar pruebas de hipótesis. Los algoritmos de regresión y clasificación permiten extraer inferencias de los datos y crear modelos predictivos de forma interactiva con las apps Classification Learner y Regression Learner, o de forma programática con AutoML.

Para el análisis de datos multidimensionales y la extracción de características, la toolbox proporciona métodos de análisis de componentes principales (PCA), regularización, reducción de dimensionalidad y selección de características que permiten identificar variables con la máxima capacidad predictiva.

La toolbox proporciona algoritmos de Machine Learning supervisado, semisupervisado y no supervisado, incluyendo máquinas de vectores de soporte (SVM), árboles de decisión boosted, redes neuronales superficiales, K-means y otros métodos de agrupación en clusters. Puede aplicar técnicas de interpretabilidad, tales como gráficas de dependencia parcial, valores de Shapley y LIME, además de generar automáticamente código C/C++ para despliegue integrado. Los bloques nativos de Simulink permiten utilizar modelos predictivos con simulaciones y diseño basado en modelos. Muchos algoritmos de esta toolbox se pueden emplear con conjuntos de datos que son demasiado grandes para almacenarlos en la memoria.