使用 MATLAB 实现机器学习

训练模型、调优参数并部署到生产环境或边缘设备

MATLAB® 帮助工程师和各个领域的专家部署了成千上万的机器学习应用程序。MATLAB 具有以下功能和优势,令机器学习化繁为简:

  • 点击式 App,可用于训练和比较模型
  • 高级信号处理和特征提取方法
  • 自动机器学习 (AutoML),包括特征选择、模型选择和超参数调优
  • 支持将同一代码扩展到大数据处理和集群处理
  • 为嵌入式和高性能应用程序自动生成 C/C++ 代码
  • 通过原生模块或 MATLAB Function 模块集成到 Simulink,以用于嵌入式部署或仿真
  • 各种常用的分类、回归和聚类算法,用于有监督和无监督学习
  • 在大多数统计和机器学习计算中较开源工具执行更快

了解其他用户如何使用 MATLAB 进行机器学习

Panel Navigation

汽车

PathPartner

PathPartner 为基于雷达的汽车应用开发机器学习算法

Panel Navigation

能源生产、工业自动化与机械

莱茵集团可再生能源、魁北克水电公司、IMCORP

利用机器学习和人工智能对公用事业资产进行状况监测和预测性维护

Panel Navigation

医疗设备、通信电子半导体

Kinesis Health Technologies

使用惯性传感器和机器学习评估老年人跌倒的风险

交互式 App 和算法

您可以选择各种时下热门的分类、聚类和回归算法,还可选择“浅层”神经网络(最多三层)及其他机器学习模型。使用分类和回归 App 以交互方式训练、比较、调整和导出模型,供进一步分析、集成和部署。如果您更偏好手写代码,可以通过特征选择和参数调优进一步优化模型。

模型可解释性

运用成熟的可解释性方法打破机器学习的黑盒,这些方法包括部分依赖图、LIME、Shapley 值和广义加性模型 (GAM) 等。验证模型是否使用了正确的证据进行预测,并找出在训练期间不明显的模型偏差。

自动化机器学习 (AutoML)

从训练数据自动生成特征,并使用贝叶斯优化等超参数调优方法优化模型。使用小波散射等专用特征提取方法处理信号或图像数据,还可使用多种特征选择方法,包括近邻元分析 (NCA)、最小冗余最大相关性 (MRMR) 和序列特征选择。

代码生成和 Simulink 集成

将统计和机器学习模型部署到嵌入式系统,并为您的整个机器学习算法生成可读的 C 或 C++ 代码,包括预处理和后处理步骤。使用 MATLAB Function 模块和 Simulink 中的原生模块,加快机器学习模型高保真仿真的验证和确认。

扩展和性能

在训练机器学习模型时,当训练数据集过大而无法放入内存时,使用 tall 数组进行训练,且仅需对代码进行少量更改。您还可以在桌面、集群或云上使用并行计算来加速统计计算和模型训练。

相关主题

Panel Navigation

深度学习

设计、构建和可视化卷积神经网络。

Panel Navigation

数据科学

以数据驱动深度见解,从而改进设计和决策。

Panel Navigation

预测性维护

开发和部署状态监控和预测性维护软件。

快速入门

交互式示例

在浏览器中运行示例,在实际使用中体验 MATLAB。

机器学习入门之旅

交互式入门课程,介绍了面向分类问题的机器学习实用方法。

探索入门资源

观看演示,浏览交互式示例,并访问免费教程。

30天免费试用

开始体验

Statistics and Machine Learning Toolbox

运用统计与机器学习进行数据分析及建模