Accelerating the pace of engineering and science

Statistics and Machine Learning Toolbox

Neuerungen

Erfahren Sie mehr über neue Produkteigenschaften.

Big-Data-Algorithmen

Big-Data-Algorithmen

Dimensionsreduzierung, deskriptive Statistik, k-Means-Clustering, lineare Regression, logistische Regression und Diskriminantenanalyse auf Out-of-Memory-Daten ausführen

Bayes'sche Optimierung

Bayes'sche Optimierung

Algorithmen für maschinelles Lernen durch Suchen nach optimalen Hyperparametern optimieren

Merkmalsauswahl

Merkmalsauswahl

Nachbarschaftskomponentenanalyse (NCA, Neighborhood Component Analysis) verwenden, um Merkmale für Modelle für maschinelles Lernen auszuwählen

Codegenerierung

Codegenerierung

C-Code für Prognose mithilfe von SVM und logistischen Regressionsmodellen generieren (erfordert MATLAB Coder)

Classification Learner

Classification Learner

Klassifizierer parallel trainieren (erfordert Parallel Computing Toolbox)

Maschinelle Lernleistung

Maschinelle Lernleistung

Gaußsche Mischmodellierung, SVM mit Duplikatbeobachtungen und Abstandberechnungen für spärliche Daten beschleunigen

Überlebensanalyse

Überlebensanalyse

Proportionale Cox-Gefahrenmodelle mit neuen Optionen für Residuen und Handhabungsverknüpfungen ausstatten

Latest Releases

R2016b (Version 11.0) - 14 Sep 2016

Version 11.0 aus Release 2016b enthält die folgenden Erweiterungen:

  • Big-Data-Algorithmen: Dimensionsreduzierung, deskriptive Statistik, k-Means-Clustering, lineare Regression, logistische Regression und Diskriminantenanalyse auf Out-of-Memory-Daten ausführen
  • Bayes'sche Optimierung: Algorithmen für maschinelles Lernen durch Suchen nach optimalen Hyperparametern optimieren
  • Merkmalsauswahl: Nachbarschaftskomponentenanalyse (NCA, Neighborhood Component Analysis) verwenden, um Merkmale für Modelle für maschinelles Lernen auszuwählen
  • Codegenerierung: C-Code für Prognose mithilfe von SVM und logistischen Regressionsmodellen generieren (erfordert MATLAB Coder)
  • Classification Learner: Klassifizierer parallel trainieren (erfordert Parallel Computing Toolbox)
  • Maschinelle Lernleistung: Gaußsche Mischmodellierung, SVM mit Duplikatbeobachtungen und Abstandberechnungen für spärliche Daten beschleunigen
  • Überlebensanalyse: Proportionale Cox-Gefahrenmodelle mit neuen Optionen für Residuen und Handhabungsverknüpfungen ausstatten

Ausführliche Details hierzu finden Sie in den Release Notes.

R2016a (Version 10.2) - 3 Mrz 2016

Version 10.2 aus Release 2016a enthält die folgenden Erweiterungen:

  • Maschinelles Lernen für hochdimensionale Daten: Anhand von fitclinear- und fitrlinear-Funktionen und mit Techniken wie dem stochastischen Gradientenabstieg und dem (L)BFGS-Verfahren eine schnelle Anpassung von linearen Klassifikations- und Regressionsmodellen durchführen
  • Classification Learner: Mehrere Modelle automatisch trainieren, Ergebnisse je nach Klassenbezeichnungen visualisieren und logistische Regressionsklassifikationen durchführen
  • Leistung: Clustering mit kmeans, kmedoids und Gauss-Mischverteilungen schneller durchführen bei Daten mit einer großen Anzahl von Clustern
  • Wahrscheinlichkeitsverteilungen: Mit den ksdensity- und mvksdensity-Funktionen die Kernel-Glättungsdichte an multivariate Daten anpassen
  • Stabile Verteilungen: Finanzielle und andere Daten modellieren, die Heavy-tailed-Verteilungen erfordern

Ausführliche Details hierzu finden Sie in den Release Notes.

R2015b (Version 10.1) - 3 Sep 2015

Version 10.1 aus Release 2015b enthält die folgenden Erweiterungen:

  • Classification Learner: Training der Diskriminanzanalyse zur Klassifizierung von Daten, Training der Modelle zur Verwendung von kategorischen Prädiktoren und Verringerung der Dimensionalität mit PCA
  • Nichtparametrische Regression: Anpassung der Modelle mit Stützvektorregression (support vector regression, SVR) oder Gauß-Prozesse (Kriging)​
  • Tabellen und kategorische Daten für Maschinelles Lernen Verwendung von table und kategorischen Prädiktoren bei Klassifikation und nichtparametrischen Regressionsfunktionen und in Classification Learner​
  • Codegenerierung: Automatische Generierung von C- und C++-Code für kmeans und randsample Funktionen (mit dem MATLAB Coder)​
  • GPU-Beschleunigung: Beschleunigung der Berechnung von über 65 Funktionen, darunter Wahrscheinlichkeitsverteilungen, deskriptive Statistik und Hypothesentests (mit Parallel Computing Toolbox)​

Ausführliche Details hierzu finden Sie in den Release Notes.

R2015a (Version 10.0) - 5 Mrz 2015

Version 10.0 aus Release 2015a enthält die folgenden Erweiterungen:

  • Klassifikations-App zum Trainieren von Modellen und Klassifizieren von Daten mit supervised machine learning
  • Statistische Tests zum Vergleich der Genauigkeiten von zwei Klassifikationsmodellen mit den compareHoldout, testcholdoutund testckfold Funktionen
  • Beschleunigung von kmedoids, fitcknnund anderen Funktionen bei Verwendung von Kosinus-, Korrelations- oder Spearman-Abstandberechnungen
  • Leistungsverbesserungen bei Entscheidungsbäumen und Klassifikatorperformancekurven​​
  • Zusatzoption zur Steuerung des Verzweigungslevels bei Entscheidungsbäumen durch das 'MaxNumSplits'- Argument in fitctree, fitrtreeund templateTree Funktionen
  • Codegenerierung für kmeans und pca Funktionen (mit dem MATLAB Coder)
  • Power und Stichprobengröße für den Zweistichproben- t-test mit der sampsizepwr Funktion

Ausführliche Details hierzu finden Sie in den Release Notes.

R2014b (Version 9.1) - 2 Okt 2014

Version 9.1 aus Release 2014b enthält die folgenden Erweiterungen:

  • Klassenübergreifendes Lernen für Support Vector Machines und andere Klassifizierungen mit der fitcecoc-Funktion
  • Generalisierte lineare Mixed-Effects-Modelle mit der fitglme-Funktion
  • Robustes Clustering für Ausreißer mit der kmedoids-Funktion
  • Beschleunigung von kmeans- und gmdistribution-Clustering mit dem "kmeans++"-Algorithmus
  • Exakter Fisher-Test für 2x2-Kontingenztafeln

Ausführliche Details hierzu finden Sie in den Release Notes.