Accelerating the pace of engineering and science

Statistics and Machine Learning Toolbox

Le novità

Scopri le funzionalità dei nostri nuovi prodotti.

Algoritmi di Big Data

Algoritmi di Big Data

riduzione della dimensione, statistiche descrittive, clustering k-means, regressione lineare, regressione logistica e analisi discriminante sui dati out-of-memory

Ottimizzazione  bayesiana

Ottimizzazione bayesiana

regolazione degli algoritmi di apprendimento automatico cercando gli iperparametri ottimali

Selezione delle  feature

Selezione delle feature

utilizzo della Neighborhood Component Analysis (NCA) per scegliere le caratteristiche dei modelli di apprendimento automatico

Generazione di  codice

Generazione di codice

generazione di codice C per le previsioni utilizzando l’SVM e i modelli di regressione logistica (richiede MATLAB Coder)

Classification Learner

Classification Learner

addestramento dei classificatori in parallelo (richiede Parallel Computing Toolbox)

Prestazioni  dell’apprendimento automatico

Prestazioni dell’apprendimento automatico

accelerazione della modellazione della mistura di gaussiane, l’SVM con osservazioni duplicate e i calcoli a distanza per i dati sparsi

Analisi di  sopravvivenza

Analisi di sopravvivenza

fitting dei modelli di rischi proporzionali Cox con nuove opzioni per i residui e la gestione dei tie

Latest Releases

R2016b (Versione 11.0) - 14 set 2016

La versione 11.0, che fa parte della release 2016b, include i seguenti miglioramenti:

  • Algoritmi di Big Data: riduzione della dimensione, statistiche descrittive, clustering k-means, regressione lineare, regressione logistica e analisi discriminante sui dati out-of-memory
  • Ottimizzazione bayesiana: regolazione degli algoritmi di apprendimento automatico cercando gli iperparametri ottimali
  • Selezione delle feature: utilizzo della Neighborhood Component Analysis (NCA) per scegliere le caratteristiche dei modelli di apprendimento automatico
  • Generazione di codice: generazione di codice C per le previsioni utilizzando l’SVM e i modelli di regressione logistica (richiede MATLAB Coder)
  • Classification Learner: addestramento dei classificatori in parallelo (richiede Parallel Computing Toolbox)
  • Prestazioni dell’apprendimento automatico: accelerazione della modellazione della mistura di gaussiane, l’SVM con osservazioni duplicate e i calcoli a distanza per i dati sparsi
  • Analisi di sopravvivenza: fitting dei modelli di rischi proporzionali Cox con nuove opzioni per i residui e la gestione dei tie

Per ulteriori informazioni, vedere le Note di rilascio.

R2016a (Versione 10.2) - 3 mar 2016

La versione 10.2, che fa parte della release 2016a, include i seguenti miglioramenti:

  • Apprendimento automatico per dati di grandi dimensioni: Crea più velocemente fitting di modelli di regressione e classificazione lineare con tecniche come la discesa di gradiente stocastica e (L)BFGS utilizzando le funzioni fitclinear e fitrlinear
  • Classification Learner: Addestra più modelli automaticamente, visualizza i risultati per tipologia di classe ed esegue la classificazione di tipo regressione logistica
  • Performance: Esegue più velocemente la clusterizzazione utilizzando kmeans, kmedoids e modelli di mistura gaussiana quando i dati hanno un numero elevato di cluster
  • Distribuzioni di probabilità: Adatta la densità di smoothing di kernel a dati multivariati utilizzando le funzioni ksdensity e mvksdensity
  • Distribuzioni stabili: Modella dati finanziari e di altro tipo che richiedono distribuzioni heavy-tailed

Per ulteriori informazioni, vedere le Note di rilascio.

R2015b (Versione 10.1) - 3 set 2015

La versione 10.1, che fa parte della release 2015b, include i seguenti miglioramenti:

  • Classification Learner: preparare l’analisi discriminante per classificare i dati, addestrare i modelli utilizzando i predittori categoriali ed eseguire la riduzione di dimensionalità utilizzando la PCA
  • Regressione non parametrica: adattare i modelli utilizzando la SVR (support vector regression) o processi gausssiani (Kriging)​
  • Tabelle e dati categoriali per Machine Learning: utilizzare predittori table e categorical in funzioni di classificazione e regressione non parametrica e in Classification Learner​
  • Generazione di codice: generare automaticamente codice C e C++ per funzioni kmeans e randsample (facendo uso di MATLAB Coder)​
  • Accelerazione GPU: velocizzare il calcolo per oltre 65 funzioni, inclusi distribuzioni probabilistiche, statistiche descrittive e test delle ipotesi (utilizzando Parallel Computing Toolbox)​

Per ulteriori informazioni, vedere le Note di rilascio.

R2015a (Versione 10.0) - 5 mar 2015

La versione 10.0, che fa parte della release 2015a, include i seguenti miglioramenti:

  • App di classificazione per l’addestramento di modelli e la classificazione dei dati tramite apprendimento automatico con supervisione
  • Test statistici per il confronto di precisioni di due modelli di classificazione con l’uso delle funzioni compareHoldout, testcholdoute testckfold .
  • Velocizzazione di kmedoids, fitcknne di altre funzioni quando si usano per i calcoli le distanze coseno, correlazione o di Spearman
  • Miglioramento delle prestazioni per alberi decisionali e curve di performance​​
  • Opzione addizionale per il controllo della profondità dell’albero decisionale con l’uso dell’argomento 'MaxNumSplits' nelle funzioni fitctree, fitrtreee templateTree .
  • Generazione di codice per le funzioni kmeans e pca (facendo uso di MATLAB Coder)
  • Potenza e dimensione del campione per il test t-a due campioni utilizzando la funzione sampsizepwr .

Per ulteriori informazioni, vedere le Note di rilascio.

R2014b (Versione 9.1) - 2 ott 2014

La versione 9.1, che fa parte della release 2014b, include i seguenti miglioramenti:

  • Apprendimento multiclasse per Support Vector Machine e altri classificatori con l'uso della funzione fitcecoc
  • Modelli a effetti misti lineari generalizzati con l'uso della funzione fitglme
  • Clusterizzazione robusta rispetto  agli outliers con l'uso della funzione kmedoids
  • Velocizzazione della clusterizzazione di kmeans e gmdistribution con l'uso dell'algoritmo kmeans++
  • Test esatto di Fisher per tabelle di contingenza 2x2

Per ulteriori informazioni, vedere le Note di rilascio.