机器学习

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。

• 了解更多
• 浏览机器学习示例、文章和教程
• 回归学习器 (3:42)
• 分类学习器 (4:34)
• 教程：支持向量机及其在 MATLAB 中的应用 (3:54)
• 哪种机器学习算法适合您？

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。

• 了解更多
• 模型可解释性概述
• 在 MATLAB 中实现模型可解释性 (5:49)
• 利用 AutoML 和可解释性降低人工智能应用壁垒 (35:11)
• 使用 MATLAB 解释分类和回归模型简介

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。

了解更多

• 在嵌入式设备上运行机器学习模型的主要方法 (2:30)
• 更新生成代码中的模型参数
• 使用原生模块在 Simulink ^® 中集成 SVM 预测
• 为 SVM 预测生成定点 C/C++

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。

了解更多

• MATLAB Tall 数组应用实例 (4:13)
• 了解如何加速统计计算
• 使用并行计算执行大规模计算
• 将经过训练的预测模型部署到目标系统