统计和机器学习工具箱™提供了描述、分析和建模数据的函数和应用程序。您可以使用描述性统计、可视化和聚类进行探索性数据分析;拟合概率分布与数据;为蒙特卡洛模拟生成随机数,并执行假设检验。回归和分类算法可以让您从数据中推断并建立预测模型,可以使用分类和回归学习者应用程序进行交互,也可以使用AutoML进行编程。
对于多维数据分析和特征提取,工具箱提供了主成分分析(PCA)、正则化、降维和特征选择方法,使您能够识别具有最佳预测能力的变量。
工具箱提供了有监督的、半监督的和无监督机器学习算法,包括支持向量机(svm)、增强决策树、浅神经网络、k-means和其他聚类方法。您可以应用可解释性技术,例如部分依赖图、Shapley值和LIME,并自动生成用于嵌入式部署的C/ c++代码。原生Simulink块允许您使用带有模拟和基于模型的设计的预测模型。许多工具箱算法可以用于过大而无法存储在内存中的数据集。