Neueste Funktionen

Erfahren Sie mehr über die neuesten MATLAB-Funktionen für Machine Learning

R2020b Highlights for Machine Learning

AutoML

Automatically select the best model and associated hyperparameters for regression

Simulink

Simulate and generate code and speed up training of SVM models in Simulink

Model Interpretability

Obtain locally interpretable model-agnostic explanations by finding important predictors (LIME)

Explore all of the Latest Machine Learning Features

Interaktive Apps

  • Verwenden Sie die Classification Learner- und Regression Learner-Apps, um Daten interaktiv zu untersuchen, Merkmale auszuwählen und überwachte Klassifikations- und Regressionsmodelle zu trainieren und auszuwerten.
  • Neu Automatisierte Abstimmung von Hyperparametern und Anwendung von Kostenmatrizen aus den Learner-Apps
  • Passen Sie mit der Distribution Fitter-App Daten an zahlreiche unterschiedliche Wahrscheinlichkeitsverteilungen an, und untersuchen Sie die Auswirkungen der Änderung von Parameterwerten.

Zugehörige Produkte: Statistik- und Machine-Learning-Toolbox

Automatisierte Modelloptimierung

  • Neu Gleichzeitige Optimierung von Modelltyp und Hyperparametern
  • Nutzen Sie die automatische Feinabstimmung von Hyperparametern mit Bayes‘scher Optimierung.
  • Wählen Sie automatisch eine Teilmenge relevanter Merkmale aus, indem Sie Techniken wie die Nachbarschaftskomponentenanalyse (NCA) und die Merkmalsklassifizierung verwenden.
  • Parallelisieren Sie die Ausführung automatisierter Optimierungsmethoden auf mehreren Kernen mit der Parallel Computing Toolbox und Skalierung auf Clouds und Cluster mit MATLAB Parallel Server

Zugehörige Produkte: MATLAB-Parallel-ServerParallel-Computing-ToolboxStatistik- und Machine-Learning-Toolbox

Machine Learning und statistische Algorithmen 

  • Nutzen Sie häufig verwendete Algorithmen zur Klassifizierung und Regression, wie z.B. lineare und verallgemeinerte lineare Modelle, Unterstützung von Vektormaschinen, Entscheidungsbäumen, Ensembleverfahren und mehr 
  • Nutzen Sie häufig verwendete Cluster-Algorithmen, darunter k-Means, k-Medoids, hierarchisches Clustering, die Gauß‘sche Mischverteilung und Hidden-Markov-Modelle.
  • Verwenden Sie das dichtebasierte räumliche Clustering von Anwendungen mit Rauschen (Density-Based Spatial Clustering of Applications with Noise, DBSCAN) und die spektrale Clusterung beliebiger Formen
  • Führen Sie statistische und Machine Learning Berechnungen schneller aus als mit Open-Source-Tools.

Zugehörige Produkte: Statistics- und Machine Learning Toolbox

Datenvisualisierung

  • Erkunden Sie die Struktur Ihrer Daten und die Beziehungen zwischen Merkmalen mithilfe von Streudiagrammen, Boxplots, Dendrogrammen und anderen statistischen Visualisierungen.
  • Verwenden Sie fortschrittliche Algorithmen zur Reduzierung der Dimensionalität wie die stochastische Nachbarschaftseinbettung (t-SNE)
  • Visualisieren Sie hochdichte Daten mit verbesserten Streudiagrammen in der Classification Learner-App.
  • Neu Erstellen Sie Verwirrungsmatrizen aus Tall-Arrays

Zugehörige Produkte: Statistik- und Machine-Learning-Toolbox

Bereitstellung 

  • Erzeugen Sie automatisch C- oder C++-Code für viele verbreitete Klassifikations-, Regressions- und Clusteralgorithmen.
  • Neu Einsatz bei Geräten mit begrenztem Speicher und/oder begrenzter Leistung unter Verwendung von Festkomma-Arithmetik
  • New Aktualisieren Sie Parameter von eingesetzten Modellen wie SVM, linearen Modellen und Entscheidungsbäumen, ohne C/C++-Vorhersagecode neu zu generieren

Zugehörige Produkte: MATLAB-Coder, MATLAB-Compiler, Statistik- und Machine-Learning-Toolbox

Big Data 

  • Verwenden Sie Tall Arrays mit zahlreichen Klassifikations-, Regressions- und Cluster-Algorithmen, um Modelle anhand von Datensätzen zu trainieren, die nicht in den Arbeitsspeicher passen.
  • Passen Sie Mehrklassen-Klassifizierungsmodelle an, führen Sie Hyperparameter-Optimierung durch und spezifizieren Sie die Kosten mit Tall-Arrays
  • Verwenden Sie schnelle genäherte Mittelwerte, Quantile und nicht geschichtete Partitionen bei Out-of-Memory-Daten

Zugehörige Produkte: Parallel-Computing-Toolbox, Statistik- und Machine-Learning-Toolbox