Statistics and Machine Learning Toolbox™ propose des fonctions et des applications pour décrire, analyser et modéliser des données. Vous pouvez utiliser des statistiques descriptives et des graphiques pour faire de l’analyse exploratoire, des ajustements de distributions de probabilités à des données, générer des nombres aléatoires pour les simulations de Monte-Carlo et réaliser des tests d’hypothèses. Les algorithmes de régression et de classification vous permettent de déduire les inférences à partir des données et de construire des modèles prédictifs.
Pour l’analyse de données multidimensionnelles, Statistics and Machine Learning Toolbox propose la sélection de caractéristiques, la régression pas à pas, l’analyse en composantes principales, la régularisation et d’autres méthodes de réduction de dimension qui vous permettent d’identifier les variables ou caractéristiques ayant un impact significatif sur votre modèle.
Des algorithmes d’apprentissage automatique supervisé et non supervisé sont à votre disposition, notamment les « support vector machines » (SVM), le boosting/bagging d’arbres de décision, les méthodes des k plus proches voisins, k-moyennes et k-médoïdes (k-nearest neighbor, k-means, k-medoids), le clustering hiérarchique, les mélanges gaussiens (GMM - Gaussian mixture models) et les modèles Markovien cachés. La plupart des algorithmes de statistiques et d’apprentissage automatique peuvent être utilisés pour des calculs sur des jeux de données qui sont trop importants pour être stockés en mémoire.
