Le novità

Scopri le funzionalità dei nostri nuovi prodotti.


La versione 11.1, che fa parte della release 2017a, include i seguenti miglioramenti:

  • Regression Learner App: Addestramento di modelli di regressione tramite machine learning con supervisione
  • Algoritmi di Big Data: Esecuzione della classificazione support vector machine (SVM) e Naïve Bayes, creazione degli alberi decisionali con bagging e della regressione lasso su dati out-of-memory
  • Generazione di codice: Generazione di codice C per le previsioni utilizzando modelli lineari, modelli lineari generalizzati, alberi decisionali ed ensemble di alberi di classificazione (richiede MATLAB Coder)
  • Statistiche bayesiane: Esecuzione di campionamenti basato su gradiente mediante campionatori Hamiltonian Monte Carlo (HMC)
  • Estrazione feature: Esecuzione di apprendimento di feature senza supervisione mediante filtraggio sparso e Reconstruction Independent Component Analysis (RICA)

Per ulteriori informazioni, vedere le Note di rilascio.

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.

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.

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.

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.