机器学习

交互式应用程序和算法

从各种最流行的分类、聚类和回归算法中选择——现在还有“浅”神经网络(最多三层)和其他机器学习模型。使用分类和回归应用程序交互地训练、比较、调优和导出模型，以便进一步分析、集成和部署。如果编写代码更符合您的风格，您可以通过特性选择和参数调优进一步优化模型。

• 了解更多
• 探索机器学习示例、文章和教程
• 回归学习者应用(3:42)
• 分类学习者应用(34)
• 支持向量机的教程，并在MATLAB中使用它们(3:54)
• 哪种机器学习算法适合你?

模型的可解释性

通过应用已建立的可解释性方法，如偏依赖图、LIME、Shapley值和广义相加模型(GAM)，克服机器学习的黑箱特性。验证模型为其预测使用了正确的证据，并发现在训练中不明显的模型偏差。

• 了解更多
• 什么是模型可解释性?
• MATLAB中的模型可解释性(5:49)
• 通过AutoML和可解释性降低人工智能采用的障碍(35:11)
• 介绍用MATLAB解释分类和回归模型

代码生成和Simulink集成

将统计数据和机器学习模型部署到嵌入式系统，并为整个机器学习算法生成可读的C或c++代码，包括预处理和后处理步骤。通过Simulink中的MATLAB函数块和本机块，加速使用机器学习模型进行高保真仿真的验证和验证。

了解更多

• 在嵌入式设备上运行机器学习模型的关键技术(2)
• 更新代码生成的模型参数
• 在Simulink中集成支持向量机预测^®使用本机块
• 生成支持向量机预测的定点C/ c++

扩展和性能

使用高数组训练机器学习模型以适应过大的数据集，并且对代码进行最小的更改。您还可以在您的桌面、集群或云中通过并行计算加速统计计算和模型训练。

了解更多

• MATLAB高数组的应用(4:13)
• 学习如何加速统计计算
• 使用并行计算执行大规模计算
• 将训练过的预测模型部署到目标系统