Statistics and Machine Learning Toolbox 入門

Statistics and Machine Learning Toolbox™ には、データを説明、分析およびモデル化するための関数とアプリが用意されています。記述統計、可視化、クラスタリングを使用して、探索的データ解析、データへの確率分布の当てはめ、モンテカルロ シミュレーション用の乱数の生成、および仮説検定を実行できます。回帰と分類のアルゴリズムを使用して、データから推論を引き出し、予測モデルを構築できます。分類学習器および回帰学習器アプリを使用して対話的に行うことも、あるいは AutoML を使用してプログラムで行うこともできます。

多次元データ分析と特徴抽出に関しては、ツールボックスに用意されている主成分分析 (PCA)、正則化、次元削減、および特徴選択手法を使用して、予測力が最も高い変数を識別できます。

ツールボックスには、教師あり、半教師あり、および教師なしの機械学習アルゴリズムとして、サポート ベクター マシン (SVM)、ブースティングされた決定木、k-means、その他のクラスタリング手法などが用意されています。部分依存プロットや LIME といった解釈可能性を提供する手法を適用し、組み込み展開用の C/C++ コードを自動的に生成できます。ツールボックスのアルゴリズムの多くは、メモリに格納できないほど大きなデータ セットでも使用できます。

チュートリアル

• MATLAB の機械学習
  

  自動化されたモデル学習やコード生成用のアプリなど、分類、回帰、クラスタリングおよび深層学習用の MATLAB^® の機械学習機能について理解します。

• 分類学習器アプリにおける分類モデルの学習
  

  自動、手動および並列学習など、分類モデルの学習、比較および改善を行うためのワークフローです。

• 回帰学習器アプリにより回帰モデルに学習をさせる
  

  自動、手動および並列学習など、回帰モデルの学習、比較および改善を行うためのワークフローです。

• 分布プロット
  

  標本データの経験的分布と指定した分布を視覚的に比較します。

• 乱数発生 UI の調査
  

  指定した確率分布から無作為標本を生成し、標本をヒストグラムとして表示します。

• 教師あり学習のワークフローとアルゴリズム
  

  教師あり学習の手順とノンパラメトリック分類および回帰関数の特性を理解します。

• 実験計画法
  

  積極的なデータ収集による統計モデリング問題を扱います。