Название: MATLAB Statistics and Machine Learning Toolbox User’s Guide (R2023a)
Автор: MathWorks
Издательство: The MathWorks, Inc.
Год: March 2023
Страниц: 11098
Язык: английский
Формат: pdf (true)
Размер: 51.2 MB

Statistics and Machine Learning Toolbox предоставляет функции и приложения для описания, анализа и моделирования данных. Вы можете использовать описательную статистику, визуализацию и кластеризацию для анализа данных, подгонять распределения вероятностей к данным, генерировать случайные числа для симуляций Монте-Карло и выполнять проверку гипотез. Алгоритмы регрессии и классификации позволяют делать выводы из данных и строить прогнозные модели либо интерактивно, используя приложения Classification и Regression Learner, либо программно, используя AutoML.

Для анализа многомерных данных и извлечения признаков инструментарий предоставляет анализ главных компонент (PCA), регуляризацию, снижение размерности и методы выбора признаков, которые позволяют определить переменные с наилучшей предсказательной силой.

Инструментарий предоставляет алгоритмы контролируемого, полуконтролируемого и неконтролируемого машинного обучения, включая машины опорных векторов (SVM), деревья решений с усилением, k-средние и другие методы кластеризации. Вы можете применять такие методы интерпретации, как графики частичной зависимости и LIME, а также автоматически генерировать код на языке C/C++ для встраивания. Многие алгоритмы инструментария можно использовать для наборов данных, которые слишком велики для хранения в памяти.

Statistics and Machine Learning Toolbox provides functions and apps to describe, analyze, and model data. You can use descriptive statistics, visualizations, and clustering for exploratory data analysis, fit probability distributions to data, generate random numbers for Monte Carlo simulations, and perform hypothesis tests. Regression and classification algorithms let you draw inferences from data and build predictive models either interactively, using the Classification and Regression Learner apps, or programmatically, using AutoML.

For multidimensional data analysis and feature extraction, the toolbox provides principal component analysis (PCA), regularization, dimensionality reduction, and feature selection methods that let you identify variables with the best predictive power.

The toolbox provides supervised, semi-supervised and unsupervised machine learning algorithms, including support vector machines (SVMs), boosted decision trees, k-means, and other clustering methods. You can apply interpretability techniques such as partial dependence plots and LIME, and automatically generate C/C++ code for embedded deployment. Many toolbox algorithms can be used on data sets that are too big to be stored in memory.