最新特性

了解最新 MATLAB 机器学习特性

交互式应用程序

  • 使用 Classification Learner 应用程序交互式浏览数据、选择特征、训练与评估监督式分类模型
  • 新特性 利用 Regression Learner应用程序交互式训练回归模型
  • 使用 Distribution Fitter 应用程序让数据拟合于广泛的概率分布,并探索参数值变更的效果

相关产品: Statistics and Machine Learning Toolbox

大数据

  • 将 tall 数组与许多分类、回归和聚类算法结合使用,在无法存入内存的数据集上训练模型
  • 通过延迟处理完整数据集,最大限度地减少潜在问题
  • 新特性 将核心 SVM 回归和分类模型拟合与 tall 数组结合使用
  • 新特性 在超出内存的数据上应用快速近似均值、分位数和非分层分区

相关产品: Parallel Computing Toolbox, Statistics and Machine Learning Toolbox

模型自动优化

  • 运用贝叶斯优化自动调优超参数
  • 运用如近邻元分析 (NCA) 等技术自动选择一部分相关特征
  • 新特性 使用稀疏滤波和重构独立元分析 (RICA) 执行无监督特征学习

相关产品: Statistics and Machine Learning Toolbox

部署

  • 为诸多常用的分类、回归和聚类算法自动生成 C/C++ 代码
  • 新特性 通过使用 k-最近邻和非树型集成模型,生成用于向量和矩阵距离计算以及预测的 C 代码

相关产品: MATLAB Coder, MATLAB Compiler, Statistics and Machine Learning Toolbox

数据可视化

  • 通过散点图、箱线图、系统树图和其他标准统计可视化工具,探查数据的结构以及特征之间的关系
  • 新特性 运用如邻域嵌入算法(t-SNE)等高维降维算法
  • 新特性 使用 Classification Learner应用程序中改进的散点图实现高密度数据的可视化

相关产品: Statistics and Machine Learning Toolbox

 通过几个通用编程和机器学习任务,对MATLAB、微软® R语言(3.4.1) 与英特尔发行版Python(2018) 进行了比较。

机器学习和统计算法

  • 利用分类和回归的常见算法,如线性及广义线性模型、支持向量机、决策树、集成方法等
  • 新特性 运用常用聚类算法,包括 k-均值、k-中心点、分级聚类、高斯混合和隐马尔可夫模型
  • 运行统计和机器学习计算比使用开源工具快

相关产品: Statistics and Machine Learning Toolbox