工程师和数据科学家处理大量各种格式（如传感器、图像、视频、遥测、数据库等）的数据。他们使用机器学习来寻找数据中的模式，并建立基于历史数据预测未来结果的模型。使用 MATLAB^®，您可以立即访问预置的函数、大量的工具箱以及用于分类、回归和聚类的专门应用程序。您可以：

• 比较各种方法，例如逻辑回归、分类树、支持向量机、集成方法和深度学习。
• 使用模型优化和缩减技术创建能够最好地捕捉数据预测能力的精确模型。
• 将机器学习模型集成到企业系统、集群和云中，并且将模型输出到实时嵌入式硬件。

分类

构建模型将数据划分到不同的类别。这有助于更准确地分析和可视化您的数据。

可以为信用评分、肿瘤检测、人脸识别等应用使用分类。用于执行分类的常用算法包括：支持向量机 (SVM)、促进式 (boosted) 决策树和袋装 (bagged) 决策树、k-最近邻、朴素贝叶斯 (Naïve Bayes)、判别分析、逻辑回归和神经网络。

在使用卷积神经网络进行的对象分类中，可以使用深度学习来获得最高水平的准确性。

回归

构建模型来预测连续数据。有了此信息，您可以对未来的数据点进行预测。回归应用包括电力负荷预测和算法交易。

用于执行回归的常用算法包括：线性模型、非线性模型、规则化、逐步回归、促进式 (boosted) 和袋装 (bagged) 决策树、神经网络和自适应神经模糊学习。

聚类

查找数据中的自然分组和模式。在未标记的数据上使用聚类来查找自然分组和模式。聚类应用包括模式挖掘、医学成像和对象识别。

用于执行聚类的常用算法包括：k-均值和 k-中心点、层次聚类、高斯混合模型、隐马尔可夫模型、自组织映射、模糊 c-均值聚类法和减法聚类。