Statistics and Machine Learning Toolbox enthält Funktionen und Apps zur Beschreibung, Analyse und Modellierung von Daten. Für die explorative Datenanalyse stehen beschreibende Statistiken, Visualisierungen und Clustering zur Verfügung. Wahrscheinlichkeitsverteilungen können an Daten angepasst, Zufallszahlen für Monte-Carlo-Simulationen erzeugt und Hypothesentests durchgeführt werden. Regressions- und Klassifizierungsalgorithmen ermöglichen die Ableitung von Schlussfolgerungen aus den Daten und die Erstellung von Vorhersagemodellen. Sie können entweder interaktiv mithilfe der Apps Classification Learner und Regression Learner oder programmgesteuert mit AutoML entwickelt werden.

Die Toolbox umfasst die Primärkomponentenanalyse (PCA), Regularisierung, Dimensionalitätsreduktion und Methoden zur Merkmalsauswahl für mehrdimensionale Datenanalysen und Merkmalsextraktionen, mit denen Variablen mit der besten Prognosefähigkeit identifiziert werden können.

Außerdem stehen überwachte, halb überwachte und nicht überwachte Machine-Learning-Algorithmen zur Verfügung, wie z.B. Support Vector Machines (SVMs), verstärkte Entscheidungsbäume, flache neuronale Netze und weitere Clustering-Methoden. Interpretierbarkeitsmethoden wie ein partielles Abhängigkeitsdiagramm, Shapley-Werte und LIME können angewendet werden. C/C++ Code kann für den integrierten Einsatz automatisch generiert werden. Mithilfe nativer Simulink-Blöcke können Sie mit Simulationen und Model-Based Design prädiktive Modelle nutzen. Viele Toolbox-Algorithmen können auf Datensätze angewendet werden, die für den Arbeitsspeicher zu umfangreich sind.