- Добавил: literator
- Дата: 5-04-2023, 19:28
- Комментариев: 0
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. 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.
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. 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.