Statistics and Machine Learning Toolbox

更新

統計解析

変数間の関係を示す多次元散布図。

データの探索と可視化

統計プロット、対話型グラフィックス、記述統計を活用して、データを探索できます。中心傾向、ばらつき、形状、相関、共分散を要約します。

ドキュメンテーション | 例

推定係数、標準化効果、ANOVA の結果を含む線形回帰の当てはめの概要を表示した DOE エクスプローラー アプリ。

実験計画法 (DOE)

DOE エクスプローラー アプリで、体系的な実験を設計し、応答データを解析できます。一般的な実験計画の生成、線形モデルの当てはめ、ANOVA と残差診断の確認を行い、結果をエクスポートして MATLAB でさらに解析できます。

ドキュメンテーション | 例

中心線と管理限界を含む Xbar-R 管理図。

統計的工程管理

管理図、工程能力分析、パレート分析により、プロセスの安定性と工程能力を監視します。ゲージ R&R アプリで測定システムの変動を評価します。

ドキュメンテーション | 例

打ち切りのある寿命値を含む故障データのプロット。

信頼性解析

打ち切りのある寿命データから、故障時間、ハザード率、生存曲線をモデル化し、その推定値から平均故障間隔 (MTBF) を計算します。

ドキュメンテーション | 例

サンプルデータに対する確率分布の当てはめの評価。

確率分布

連続分布と離散分布の当てはめ、統計プロットによる適合度の評価、確率密度関数と累積分布関数の計算を行えます。 

ドキュメンテーション | 例

信頼区間を含めてグループ平均値を表示する ANOVA 比較プロット。

仮説検定と ANOVA

t 検定、ノンパラメトリック検定、分布検定、ANOVA を使用して、グループ間の比較や因子効果の評価を行います。1 因子、多因子、反復測定の ANOVA と事後比較により、統計的な差を解釈します。

ドキュメンテーション (仮説検定、ANOVA) | 例 (仮説検定、ANOVA)

機械学習

学習済みの回帰モデルを比較している回帰学習器アプリ。

分類と回帰

コードを記述せずに、分類モデルと回帰モデルの学習、検証、比較を対話的に行えます。データの探索、特徴量の選択、検証方式の選択、ハイパーパラメーターの調整を行い、学習済みモデルや MATLAB コードをエクスポートできます。

ドキュメンテーション (分類学習器、回帰学習器) | 例 (分類、回帰)

ガウス過程回帰モデルの当てはめと、予測区間の比較を行うための MATLAB コード例。

機械学習のワークフロー

データの準備や特徴量エンジニアリングからモデルの学習、評価、展開まで、MATLAB での機械学習ワークフローをエンドツーエンドで構築します。再利用可能なパイプラインの作成、ワークフローの自動化、実験の規模拡大を実現できます。 

ドキュメンテーション | 例

組み込みハードウェア向けのコード生成や、エンタープライズ システム向けのモデルのコンパイルを行う MATLAB 機械学習ワークフローを示した図。

コードの生成と展開

機械学習モデルを本番システムや組み込みターゲットに展開します。学習済みモデルから最適化された C/C++ コードを生成したり、Simulink ワークフローに統合したりできます。

ドキュメンテーション | 例

特徴量全体における予測子の重要度を示した、部分最小二乗回帰の係数プロット。

特徴量エンジニアリング

特徴量の抽出、変換、選択によって、予測性能を向上させます。PCA などの次元削減手法や特徴選択を適用して、モデル化に最も有益な入力を特定できます。

ドキュメンテーション | 例

分類ワークフロー コンポーネントの機械学習パイプライン。

機械学習パイプライン

前処理、特徴選択、モデルの学習を組み合わせて、再利用可能なパイプラインにまとめるワークフローを定義します。実験を標準化して手作業の工程を削減し、チームやアプリケーション全体で一貫したワークフローを展開できます。

ドキュメンテーション | 例

製品リソース:

ドキュメンテーション 例 ビデオ 要件 リリースノート
MedImmune、フローサイトメトリーのデータ解析を自動化および高速化

「オープンソースの代替手段よりも、MATLAB を使う方がはるかに効率よく作業できます。わずか 3 週間で MATLAB を使って解析ソフトウェアを開発、展開しました。このソフトウェアによって、MedImmune の研究者たちは既に何千時間分もの作業を節約できています。」

MedImmune、Jens Koopmann 博士
その他のユーザー事例を見る

Statistics and Machine Learning Toolbox に関するよくある質問 (FAQ)

Statistics and Machine Learning Toolbox には、記述統計、可視化、クラスタリング、確率分布、仮説検定のほか、教師あり機械学習、半教師あり機械学習、教師なし機械学習の各アルゴリズムを使用して、データを記述、解析、モデル化する関数とアプリが用意されています。

分類学習器アプリや回帰学習器アプリを使って対話的に、または AutoML を使ってプログラムでモデルを学習させることができます。線形回帰、サポート ベクター マシン、ブースティングされた決定木、浅層ニューラル ネットワークなどのアルゴリズムを利用できます。

このツールボックスには、線形回帰、一般化線形モデル (ロジスティック回帰、ポアソン回帰など)、非線形回帰、グループ化されたデータまたは階層データを扱う混合効果モデル、ガウス過程回帰などが用意されています。ステップワイズ法による変数選択、LASSO やリッジ回帰による正則化、多クラスの結果を扱う多項ロジスティック回帰を実行できます。

このツールボックスには、パターンの特定、最適なクラスター数の決定、異常値や外れ値の検知に使用できる、k-means、階層クラスタリング、混合ガウス モデル、DBSCAN、スペクトル クラスタリングなどの手法が用意されています。

このツールボックスには、25 以上の確率分布 (正規分布、ワイブル分布、ガンマ分布、ベータ分布、対数正規分布、その他多数) が組み込まれており、fitdist または対話型の分布フィッターアプリを使用して、分布をデータに当てはめることができます。また、最尤推定法によるカスタム分布の作成と当てはめ、情報量基準を用いた適合度の比較、打ち切りデータを使用した生存時間分析や信頼性解析も行えます。

MATLAB Coder による組み込み展開向けの移植可能な C/C++ コードの生成、ネイティブの Simulink ブロックを使用したシミュレーションやモデルベースデザイン、MATLAB Compiler による IT 環境向けの MATLAB コードのコンパイルが可能です。

Statistics and Machine Learning Toolbox は、テスト済みかつドキュメント化された単一の製品で、探索的解析から本番環境への展開までを一貫して行える統合環境を提供します。主な強みとして、初心者向けの対話型ガイド付きアプリ、MATLAB Coder による組み込み展開向けの C/C++ コード生成、モデルベースデザインを可能にする Simulink との直接統合が挙げられます。Python や R といったオープンソースの代替手段は、コミュニティのサポートを受けられる無料の選択肢ですが、通常は複数のパッケージを組み合わせる必要があり、組み込みコード生成やシミュレーション連携については同等の手段を提供していません。

t 検定、分布検定、ノンパラメトリック検定、ANOVA、共分散分析、反復測定 ANOVA のほか、自己相関、ランダム性、分布比較の検定を実行できます。

はい。分布フィッターなどの対話型アプリで確率分布をデータに当てはめたり、分類学習器や回帰学習器で機械学習モデルの学習、比較、検証を行ったりできます。いずれもコードを記述する必要はありません。