Statistics and Machine Learning Toolbox

Die Statistics and Machine Learning Toolbox bietet Funktionen und Apps, mit denen Sie Daten mithilfe deskriptiver Statistik, Visualisierungen, Clustering, Wahrscheinlichkeitsverteilungen, Hypothesentests sowie überwachter, semi-überwachter und unüberwachter Machine-Learning-Algorithmen beschreiben, analysieren und modellieren können.

Sie können Modelle interaktiv mit der Classification Learner-App und der Regression Learner-App oder programmgesteuert mithilfe von AutoML trainieren. Dabei stehen Algorithmen wie lineare Regression, Support Vector Machines, Boosting-Entscheidungsbäume und flache neuronale Netze zur Verfügung.

Die Toolbox bietet lineare Regression, verallgemeinerte lineare Modelle (logistisch, Poisson und weitere), nichtlineare Regression, Mixed-Effects-Modelle für gruppierte oder hierarchische Daten sowie Gauß-Prozess-Regression. Sie können eine schrittweise Variablenauswahl, Regularisierung mit Lasso und Ridge sowie multinomiale logistische Regression für Ergebnisse mit mehreren Klassen durchführen.

Die Toolbox bietet k-Means, hierarchisches Clustering, Gaußsche Mischmodelle, DBSCAN, spektrales Clustering und weitere Verfahren, um Muster zu identifizieren, die optimale Anzahl von Clustern zu bestimmen und Anomalien oder Ausreißer zu erkennen.

Die Toolbox umfasst mehr als 25 integrierte Wahrscheinlichkeitsverteilungen (darunter Normal-, Weibull-, Gamma-, Beta- und Lognormalverteilung sowie viele weitere), die Sie mithilfe von fitdist oder der interaktiven Distribution Fitter-App an Daten anpassen können. Sie können außerdem mithilfe der Maximum-Likelihood-Schätzung benutzerdefinierte Verteilungen erstellen und anpassen, Anpassungen anhand von Informationskriterien vergleichen und mit zensierten Daten für Überlebens- und Zuverlässigkeitsanalysen arbeiten.

Sie können mit MATLAB Coder portablen C/C++ Code für die Bereitstellung auf Embedded Systemen generieren, native Simulink-Blöcke für Simulationen und Model-Based Design verwenden oder MATLAB Programmcode mit MATLAB Compiler für IT-Umgebungen kompilieren.

Die Statistics and Machine Learning Toolbox bietet eine einheitliche Umgebung – von der explorativen Analyse bis hin zur Bereitstellung in der Produktion – in einem einzigen getesteten und dokumentierten Produkt. Zu den wichtigsten Unterscheidungsmerkmalen gehören interaktive, geführte Apps für Einsteiger, die C/C++ Codegenerierung für die Bereitstellung auf Embedded Systemen mit MATLAB Coder sowie die direkte Integration in Simulink für Model-Based Design. Open-Source-Alternativen wie Python und R bieten kostenlose, von der Community unterstützte Optionen, erfordern jedoch in der Regel die Kombination mehrerer Pakete und bieten keine vergleichbaren Möglichkeiten für die Codegenerierung für Embedded Systeme oder die Integration in Simulationen.

Sie können t-Tests, Verteilungstests, nichtparametrische Tests, ANOVA, Kovarianzanalysen, ANOVA mit Messwiederholungen sowie Tests auf Autokorrelation, Zufälligkeit und Unterschiede zwischen Verteilungen durchführen.

Ja. Sie können interaktive Apps wie die Distribution Fitter-App verwenden, um Wahrscheinlichkeitsverteilungen an Ihre Daten anzupassen, sowie die Classification Learner-App und die Regression Learner-App, um Machine-Learning-Modelle zu trainieren, zu vergleichen und zu validieren – ganz ohne Code schreiben zu müssen.