La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Démarrer avec Statistics and Machine Learning Toolbox
R2026aStatistics and Machine Learning Toolbox™ propose des fonctions et des applications pour décrire, analyser et modéliser les données. Vous pouvez utiliser des statistiques descriptives, des visualisations et le clustering pour l’analyse exploratoire des données, les ajustements de lois de probabilité, la génération de nombres aléatoires pour les simulations Monte-Carlo et la réalisation de tests d’hypothèses. Les algorithmes de régression et de classification vous permettent de déduire des comportements à partir des données et de construire des modèles prédictifs soit de manière interactive, en utilisant les applications Classification Learner et Regression Learners, soit de manière programmatique, en utilisant AutoML.
Pour l’analyse de données multidimensionnelles et l'extraction de caractéristiques, la toolbox propose l’analyse en composantes principales (ACP), la régularisation, la réduction de la dimension et des méthodes de sélection de variables pertinentes qui vous permettent d’identifier les variables qui offrent les meilleures capacités de prédiction.
La toolbox comprend des algorithmes de Machine Learning supervisés, semi-supervisés et non supervisés, notamment les machines à vecteurs de support (SVM), le boosting d’arbres de décision, les k-means et autres méthodes de clustering. Vous pouvez utiliser des techniques d'interprétabilité, comme des tracés de dépendance partielle et la méthode de LIME, et générer automatiquement du code C/C++ pour un déploiement embarqué. De nombreux algorithmes de la toolbox peuvent être appliqués à des jeux de données trop volumineux pour être stockés en mémoire.
Tutoriels
- Exploratory Analysis of Data
Explore the distribution of data using visualizations and descriptive statistics.
- Hypothesis Testing with Two Samples
Use hypothesis testing to analyze gas prices measured across the state of Massachusetts during two separate months.
- Evaluate Optimal Number of Clusters
Identify the optimal number of clusters in a data set by using the
evalclustersfunction. - Assess Regression Neural Network Performance
Use
fitrnetto create a feedforward regression neural network model with fully connected layers, and assess the performance of the model on test data. - Train Decision Trees Using Classification Learner App
Create and compare classification trees, and export trained models to make predictions for new data.
À propos du Machine Learning
- Machine Learning in MATLAB
Discover machine learning capabilities in MATLAB® for classification, regression, clustering, and deep learning, including apps for automated model training and code generation.
Apprentissage interactif
Statistics Onramp
Formation en ligne gratuite d’une heure sur les statistiques
Machine Learning Onramp
Formation en ligne gratuite de deux heures sur le Machine Learning
Ressources pédagogiques
Machine Learning for Biosciences (Machine Learning pour les biosciences)
Découvrir les fondamentaux du Machine Learning avec des exemples issus de la biologie.
Machine Learning pour la régression
Découvrir les concepts de l’extraction de caractéristiques et de la régression et les appliquer à la prévision de séries temporelles.
