最新特性

了解 MATLAB 在机器学习方面的最新特性

交互式 App

  • 使用 Classification Learner 和 Regression Learner 交互式探查数据、选择特征、训练和评估有监督分类和回归模型
  • 新特性在学习器 App 中执行超参数自动调优并应用代价矩阵
  • 使用 Distribution Fitter 对数据进行多种概率分布拟合,并探索参数值变更的效果

相关产品:Statistics and Machine Learning Toolbox

模型自动优化

  • 新特性 同时优化模型类型和超参数
  • 运用贝叶斯优化自动调优超参数
  • 运用近邻元分析 (NCA) 和特征排序等方法自动选择相关特征子集
  • 使用 Parallel Computing Toolbox 在多个核上并行执行自动优化方法,并使用 MATLAB Parallel Server 扩展到云和集群

相关产品:MATLAB Parallel ServerParallel Computing ToolboxStatistics and Machine Learning Toolbox  

机器学习和统计算法 

  • 利用常见的分类和回归算法,如线性及广义线性模型、支持向量机、决策树、集成法等
  • 运用主流聚类算法,包括 k-均值、k-中心点、层次聚类、高斯混合和隐马尔可夫模型
  • 新特性 使用基于密度的含噪数据空间聚类 (DBSCAN) 和任意形状的频谱聚类
  • 相比开源工具,能够更快地运行统计和机器学习计算

相关产品:Statistics and Machine Learning Toolbox

数据可视化

  • 通过散点图、箱线图、树状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
  • 使用高级降维算法,如 t 分布随机近邻嵌入 (t-SNE)
  • 在 Classification Learner 中利用改进的散点图实现高密度数据的可视化
  • 新特性从 tall 数组创建混淆矩阵

相关产品:Statistics and Machine Learning Toolbox

部署 

  • 为多种主流分类、回归和聚类算法自动生成 C/C++ 代码
  • 新特性 使用定点算术在内存和/或功率有限的设备上进行部署
  • 新特性 更新已部署模型(如 SVM、线性模型和决策树)的参数,而无需重新生成 C/C++ 预测代码

相关产品:MATLAB CoderMATLAB CompilerStatistics and Machine Learning Toolbox  

大数据 

  • 在多种分类、回归和聚类算法中使用 tall 数组,从而基于无法放入内存的数据集训练模型
  • 针对 tall 数组进行多类分类模型拟合、执行超参数优化及指定代价
  • 对超出内存的数据应用快速近似均值、分位数和非分层分区

相关产品:Parallel Computing ToolboxStatistics and Machine Learning Toolbox