Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox 提供函数和 App，以使用描述性统计量、可视化、聚类、概率分布、假设检验以及有监督、半监督和无监督机器学习算法来对数据进行描述、分析和建模。

您可以使用分类学习器和回归学习器以交互方式训练模型，或使用 AutoML 以编程方式训练模型，所用算法包括线性回归、支持向量机、提升决策树和浅层神经网络。

该工具箱提供线性回归、广义线性模型（逻辑、泊松等）、非线性回归、用于分组或分层数据的混合效应模型，以及高斯过程回归。您可以执行逐步变量选择、使用 LASSO 和岭回归进行正则化，以及针对多类结果执行多项逻辑回归。

该工具箱提供 k 均值、层次聚类、高斯混合模型、DBSCAN、谱聚类和其他方法，以识别模式、确定最佳簇数，并检测异常或离群值。

该工具箱包含超过 25 种内置概率分布（包括正态、威布尔、gamma、beta、对数正态等），您可以使用 fitdist 或交互式分布拟合器对数据进行这些概率分布的拟合。您也可以使用最大似然估计创建并拟合自定义分布，使用信息准则对拟合进行比较，并处理删失数据以进行生存和可靠性分析。

您可以使用 MATLAB Coder 生成用于嵌入式部署的可移植 C/C++ 代码，使用本机 Simulink 模块进行仿真和基于模型的设计，或使用 MATLAB Compiler 为 IT 环境编译 MATLAB 代码。

Statistics and Machine Learning Toolbox 在单个经过测试并配有文档的产品中，提供从探索性分析到生产部署的统一环境。主要差异化优势包括面向初学者的交互式引导 App、通过 MATLAB Coder 为嵌入式部署生成 C/C++ 代码，以及通过直接 Simulink 集成实现基于模型的设计。Python 和 R 等开源替代方案提供免费、由社区支持的选项，但通常需要组合多个包，并且不提供用于嵌入式代码生成或仿真集成的等效路径。

您可以执行 t 检验、分布检验、非参数检验、ANOVA、协方差分析、重复测量 ANOVA，以及针对自相关性、随机性和分布比较的检验。

可以。您可以使用交互式 App（例如分布拟合器）对您的数据进行概率分布拟合，并使用分类学习器和回归学习器来训练、比较和验证机器学习模型，所有这些工作都无需编写代码。