Funcionalidades más recientes

Descubra las funcionalidades más recientes de MATLAB para machine learning

R2020b Highlights for Machine Learning

AutoML

Automatically select the best model and associated hyperparameters for regression

Simulink

Simulate and generate code and speed up training of SVM models in Simulink

Model Interpretability

Obtain locally interpretable model-agnostic explanations by finding important predictors (LIME)

Explore all of the Latest Machine Learning Features

Apps interactivas

  • Utilice las apps Classification Learner y Regression Learner para explorar datos de manera interactiva, seleccionar características y entrenar y evaluar modelos de clasificación y regresión supervisados.
  • Novedad Lleve a cabo el ajuste automatizado de hiperparámetros y aplique matrices de costes desde las apps de aprendizaje.
  • Ajuste los datos a una amplia gama de distribuciones de probabilidad y explore los efectos del cambio de valores de los parámetros mediante la app Distribution Fitter.

Productos relacionados: Statistics and Machine Learning Toolbox

Optimización de modelos automatizada

  • Novedad Optimice simultáneamente el tipo de modelo y los hiperparámetros.
  • Ajuste automáticamente los hiperparámetros mediante la optimización bayesiana.
  • Seleccione automáticamente un subconjunto de características relevantes mediante técnicas como el análisis de componentes vecinos (NCA) y la clasificación de características.
  • Paralelice la ejecución de métodos de optimización automatizados en varios núcleos mediante Parallel Computing Toolbox y escale a nubes y clusters mediante MATLAB Parallel Server.

Productos relacionados: MATLAB Parallel ServerParallel Computing ToolboxStatistics and Machine Learning Toolbox

Machine learning y algoritmos estadísticos

  • Aproveche el uso de algoritmos habituales para la clasificación y la regresión, tales como modelos lineales y lineales generalizados, máquinas de vector soporte, árboles de decisión, métodos combinados, etc.
  • Emplee algoritmos de clustering habituales, incluyendo k-means, k-mediods, clustering jerárquico, mezclas gaussianas y modelos ocultos de Markov.
  • Novedad Utilice el clustering de aplicaciones espacial basado en la densidad con ruido (DBSCAN) y el clustering espectral de formas arbitrarias.
  • Ejecute cálculos estadísticos y de machine learning más rápidamente que con herramientas de código abierto.

Productos relacionados: Statistics and Machine Learning Toolbox

Visualización de datos

  • Explore la estructura de sus datos y la relación entre características mediante gráficas de dispersión, gráficas de cajas, dendrogramas y otras visualizaciones estadísticas estándar.
  • Utilice algoritmos avanzados de reducción dimensional como Stochastic Neighbor Embedding (t-SNE).
  • Visualice datos de alta densidad con gráficas de dispersión mejoradas en la app Classification Learner.
  • Novedad Cree matrices de confusión a partir de arrays altos.

Productos relacionados: Statistics and Machine Learning Toolbox

Despliegue 

  • Genere automáticamente código C/C++ para muchos algoritmos habituales de clasificación, regresión y clustering.
  • Novedad Despliegue en dispositivos con memoria o con potencia limitadas mediante aritmética de punto fijo.
  • Novedad Actualice los parámetros de los modelos desplegados, como SVM, modelos lineales y árboles de decisión, sin necesidad de regenerar el código C/C++ de predicción.

Productos relacionados: MATLAB Coder, MATLAB Compiler, Statistics and Machine Learning Toolbox

Big data 

  • Utilice arrays altos con gran cantidad de algoritmos de clasificación, regresión y clustering a fin de entrenar modelos con conjuntos de datos que no caben en memoria.
  • Ajuste modelos de clasificación multiclase, realice optimización de hiperparámetros y especifique el coste con arrays altos.
  • Use medias aproximadas rápidas, cuantiles y particiones no estratificadas en datos con memoria insuficiente.

Productos relacionados: Parallel Computing Toolbox, Statistics and Machine Learning Toolbox