メインコンテンツ

Statistics and Machine Learning Toolbox

R2026b

Statistics and Machine Learning Toolbox™ には、MATLAB® での統計解析と機械学習のための関数やアプリが用意されています。

統計解析では、記述統計を使用して、データの探索、確率分布の当てはめ、仮説の検定、分散分析 (ANOVA) の実行、実験の計画、測定システムの検証、プロセスの監視が可能です。プログラムによる解析には関数を使用し、分布の当てはめ、実験計画法 (DOE)、ゲージ R&R などのガイド付きワークフローには対話型のアプリを使用できます。

機械学習では、回帰モデル、分類モデル、クラスタリング モデル、その他のモデルに対話形式やプログラムによって学習させることができます。このツールボックスは、特徴量エンジニアリング、次元削減、モデル解釈、Simulink® 統合、展開用の C/C++ コード生成をサポートしています。対話型エクスペリエンスでは、分類学習器アプリや回帰学習器アプリを使用して、データの探索、特徴の選択、検証方式の選択、ハイパーパラメーターの調整が可能なほか、複数のアルゴリズムを並べて評価することもできます。

Statistics and Machine Learning Toolbox 入門

Statistics and Machine Learning Toolbox の基礎を学ぶ

記述統計と可視化

データのインポートとエクスポート、記述統計、可視化

確率分布と仮説検定

データ頻度モデル、無作為標本生成、パラメーター推定、仮説検定

産業用統計

実験計画法 (DOE)、生存時間分析および信頼性解析、統計的工程管理

ANOVA

分散分析と共分散分析、多変量 ANOVA、反復測定 ANOVA

回帰

線形、一般化線形、非線形およびノンパラメトリック方式による教師あり学習

分類

バイナリ問題とマルチクラス問題のための教師あり学習および半教師あり学習アルゴリズム

クラスター分析と異常検出

データの自然なグループ、パターン、異常を見つけるための教師なし学習法

次元削減と特徴抽出

PCA、因子分析、特徴選択、特徴抽出など

機械学習パイプライン

エンドツーエンドの機械学習ワークフローをパイプラインとして実行および展開する

Simulink とコード生成

Simulink を使用した機械学習モデルのシミュレーションと C/C++ コードの生成

Figure depicting the results of training a Gaussian process regression model for predicting battery state of charge. This figure comes from the example, "Predict Battery State of Charge Using Machine Learning".

用途

統計と機械学習の手法を業界固有のワークフローに適用