產品及服務 > Statistics and Machine Learning Toolbox™, 統計與機器學習工具箱
Statistics and Machine Learning Toolbox™, 統計與機器學習工具箱

Introduction
統計與機器學習工具箱提供非常豐富的函式和圖形化使用者界面,可分析歷史資料和建立資料模型、模擬系統、開發統計演算法,和教導與學習統計學。

統計與機器學習工具箱支援的範圍十分廣泛,從基本的統計資料,到開發及視覺化多維的非線性模型等等。它提供了豐富的統計製表及互動式圖形化使用者介面,例如︰多項式契合與反應曲面模型。所有的函式都是由開放的語法寫成,使用者可依據本身的需求,自行檢視、改寫或開發所需的函式。

本工具箱使用需搭配MATLAB。

Key Features

  • 資料組織和管理
  • 敘述統計
  • 統計圖和資料視覺化
  • 機率分佈
  • 變異數分析(ANOVA)
  • 線性和非線性模型
  • 多變量統計
  • 實驗設計(DOE)
  • 假設檢定
  • 統計製程管制(SPC)
  • 2011b版本後更提供高維數據分析之Lasso及彈性網路之線性回歸等變量選擇
  • 2012a版本後,新增迴歸分析的功能,簡化結果的繪圖過程,並新增契合及預測之相關函數
  • 2013a版本後支援與機器學習(machine learning)相關的多種函式,如用於二進位分類法的支持向量機(SVMs),用於遺漏值(missing data)的主成分分析演算法(PCA)以及用於常態特性的Anderson-Darling 適合度檢定等。
  • 2013b版本,新增線性混合效果(linear mixed-effects)回歸模型。
  • 2014a版本,對具有每個主題含有複數測量值之資料提供重複測量模型
  • 2014b版本提供多類別的機器學習分類架構,如SVM和廣義線性混和效果模型(GLME)等二元分類器(binary classifiers)
  • 2015a版本後更名,為原Statistic Toolbox(統計工具箱)更名,新增一個分類學習應用程式(APP),此APP為一個訓練模型的使用者介面,可藉由此介面簡單的訓練出在機器學習的分類(classification)模型
  • 2015b增加用於檢定模型之SVR(支持向量回歸)和高斯過程 (Kriging)功能、用於在分類學習器應用程式(APP)內的PCA 特徵轉換以及GPU 加速等 65個不同函式。
  • R2016a新增分類學習器應用程式(APP)新增以下功能: 自動訓練多個模型、依類別標籤呈現結果和邏輯迴歸分類
  • R2016b新增大數據的函式,可避免記憶體不足(out-of-memory)情形,功能範圍包括維度縮減、敘述統計、k- means演算法、線性迴歸、邏輯回歸和判別分析
  • 加入貝氏最佳化(Bayesian optimization)功能,讓您可以選擇機器學習模型特性,像是自動調整機器學習演算法參數,鄰近元件分析 (NCA)等。
  • 支援使用 MATLAB Coder™自動產生 SVM 和邏輯回歸模型的C/C++ 程式碼。
  • R2017a增加迴歸學習應用程式(Regression Learner app),以監督式機器學習訓練迴歸模型
  • 新增Tall arrays支援的演算法,包含支持向量機 (support vector machine, SVM) 和單純貝氏分類 (Naive Bayes classification)、袋裝決策樹(bagged decision trees)以及Lasso迴歸
  • R2018a在分類學習器應用程式中加入高密度數據散佈圖功能
  • 加入用來執行核支援向量機迴歸(kernel SVM regression),計算混淆矩陣(confusion matrices),建立交叉驗證中的非分層分割等大數據演算法

2018b加入 :

  • 新增大數據演算法:可擬合多類別分類模型並執行超參數最佳化
  • 程式碼轉碼:更新已轉碼的 SVM 模型,毋需重新轉碼(需要 MATLAB-c轉碼器)