Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox propose des fonctions et des applications pour décrire, analyser et modéliser des données à l'aide de statistiques descriptives, de visualisations, de clustering, de lois de probabilité, de tests d'hypothèses et d'algorithmes de Machine Learning supervisés, semi-supervisés et non supervisés.

Vous pouvez entraîner des modèles de manière interactive en utilisant les applications Classification Learner et Regression Learner, ou de manière programmatique via l'AutoML, en utilisant des algorithmes tels que la régression linéaire, les machines à vecteurs de support (SVM), les arbres de décision boostés et les réseaux de neurones peu profonds.

La toolbox propose la régression linéaire, les modèles linéaires généralisés (logistique, Poisson, etc.), la régression non linéaire, les modèles à effets mixtes pour données groupées ou hiérarchisées, ainsi que la régression par processus gaussiens. Vous pouvez effectuer une sélection séquentielle de variables, une régularisation avec Lasso et Ridge, et une régression logistique multinomiale pour les résultats multiclasses.

La toolbox propose le clustering k-means, le clustering hiérarchique, les modèles de mélange gaussien (GMM), le clustering DBSCAN, le clustering spectral et d'autres méthodes pour identifier des motifs, déterminer le nombre optimal de clusters et détecter les anomalies ou valeurs aberrantes.

La toolbox comprend plus de 25 lois de probabilité intégrées (dont la loi normale, de Weibull, gamma, bêta, log-normale et bien d'autres) que vous pouvez ajuster à vos données à l'aide de fitdist ou de l'application interactive Distribution Fitter. Vous pouvez également créer et ajuster des distributions personnalisées par l'estimation du maximum de vraisemblance, comparer les ajustements à l'aide de critères d'information et traiter des données censurées pour les analyses de survie et de fiabilité.

Vous pouvez générer du code C/C++ portable pour un déploiement embarqué avec MATLAB Coder, utiliser des blocs Simulink natifs pour les simulations et l'approche Model-Based Design, ou compiler du code MATLAB avec MATLAB Compiler pour des environnements informatiques.

Statistics and Machine Learning Toolbox offre un environnement unifié, de l'analyse exploratoire jusqu'au déploiement en production, au sein d'un produit unique, testé et documenté. Les principaux éléments différenciateurs incluent des applications interactives guidées pour les débutants, la génération de code C/C++ pour le déploiement embarqué via MATLAB Coder et l'intégration directe avec Simulink pour l'approche Model-Based Design. Les alternatives open source telles que Python et R offrent des options gratuites supportées par la communauté, mais nécessitent généralement l'assemblage de plusieurs packages et n'offrent pas d'équivalents pour la génération de code embarqué ou l'intégration de simulation.

Vous pouvez effectuer des tests t, des tests de distribution, des tests non paramétriques, des analyses de variances (ANOVA), des analyses de covariance (ANCOVA), des ANOVA à mesures répétées, ainsi que des tests d'autocorrélation, de caractère aléatoire et de comparaison de distributions.

Oui. Vous pouvez utiliser des applications interactives telles que Distribution Fitter pour ajuster des lois de probabilité à vos données, ainsi que Classification Learner et Regression Learner pour entraîner, comparer et valider des modèles de modèles de Machine Learning, le tout sans écrire la moindre ligne de code.