Neuerungen

Erfahren Sie mehr über neue Produkteigenschaften.


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.

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.

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.

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.

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.