Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox fornisce funzioni e app per descrivere, analizzare e modellare i dati utilizzando statistiche descrittive, visualizzazioni, clustering, distribuzioni di probabilità, test delle ipotesi e algoritmi di Machine Learning con supervisione, senza supervisione e semi-supervisionato.

Puoi addestrare modelli in modo interattivo utilizzando le app Classification Learner e Regression Learner oppure in modo programmatico utilizzando AutoML, con algoritmi tra cui regressione lineare, macchine a vettori di supporto, alberi decisionali potenziati e reti neurali superficiali.

Il toolbox fornisce la regressione lineare, i modelli lineari generalizzati (logistici, di Poisson e altri), la regressione non lineare, i modelli a effetti misti per dati raggruppati o gerarchici e la regressione con processo gaussiano. Puoi eseguire la selezione delle variabili stepwise, la regolarizzazione con lasso e ridge e la regressione logistica multinomiale per risultati multiclasse.

Il toolbox fornisce k-means, clustering gerarchico, modelli di mistura gaussiana, DBSCAN, clustering spettrale e altri metodi per identificare pattern, determinare il numero ottimale di cluster e rilevare anomalie o valori anomali.

Il toolbox include oltre 25 distribuzioni di probabilità integrate, tra cui normale, Weibull, gamma, beta, lognormale e molte altre, che puoi utilizzare per eseguire il fitting dei dati mediante fitdist o l’app interattiva Distribution Fitter. Puoi anche creare ed eseguire il fitting di distribuzioni personalizzate utilizzando la stima della massima verosimiglianza, confrontare i fitting utilizzando i criteri di informazione e lavorare con dati censurati per eseguire analisi di sopravvivenza e affidabilità.

Puoi generare codice C/C++ portabile per la distribuzione su sistemi embedded utilizzando MATLAB Coder, utilizzare blocchi Simulink nativi per le simulazioni e la progettazione Model-Based oppure compilare il codice MATLAB con MATLAB Compiler per gli ambienti IT.

Statistics and Machine Learning Toolbox fornisce un ambiente unificato, dall’analisi esplorativa fino alla distribuzione in produzione, in un unico prodotto testato e documentato. Tra i principali elementi distintivi figurano app interattive guidate per principianti, la generazione di codice C/C++ per la distribuzione su sistemi embedded tramite MATLAB Coder e l’integrazione diretta con Simulink per la progettazione Model-Based. Le alternative open source come Python e R offrono opzioni gratuite supportate dalla community, ma in genere richiedono l’assemblaggio di più pacchetti e non forniscono percorsi equivalenti per la generazione di codice embedded o l’integrazione con le simulazioni.

Puoi eseguire test t, test di distribuzione, test non parametrici, ANOVA, analisi della covarianza, ANOVA a misure ripetute e test per l’autocorrelazione, la casualità e il confronto delle distribuzioni.

Sì. Puoi utilizzare app interattive come Distribution Fitter per eseguire il fitting di distribuzioni di probabilità ai tuoi dati e Classification Learner e Regression Learner per addestrare, confrontare e validare modelli di Machine Learning, il tutto senza scrivere codice.