Principales caractéristiques Techniques de régression, y compris linéaires. Généralisé linéaire, non linéaire. Robuste, régulé. ANOVA, mesures répétées et modèles à effets mixtes. Grands algorithmes de données pour la réduction des dimensions, statistiques descriptives, regroupement des k-moyens, régression linéaire, régression logistique et analyse discriminante Distributions de probabilité univariées et multivariées. Générateurs de nombres aléatoires et quasi-aléatoires. Et échantillons de chaîne de Markov Essais d'hypothèse pour les distributions, la dispersion, et la localisation, et la conception des expériences (DOE) techniques pour optimale, factorielle, et surfaces de surface de réponse App Application apprenants et algorithmes pour l'apprentissage supervisé de la machine. Y compris les machines à vecteurs de soutien (SVM), les arbres de décision renforcés et ensachés, k-voisin le plus proche, Nave Bayes, l'analyse discriminante et la régression de processus gaussienne Algorithmes d'apprentissage machine non surveillés, y compris k-moyens, k-medoids, clustering hiérarchique, Modèles de Markov cachés Optimisation bayésienne pour les algorithmes d'apprentissage de tuning machine en recherchant des hyperparamètres optimaux Apprenez comment les outils d'apprentissage machine dans MATLAB peuvent être utilisés pour résoudre des problèmes de régression, de clustering et de classification. Effectuer la modélisation et l'analyse statistiques à l'aide de la Boîte à outils de la statistique et de la machine apprenante. Analyse exploratoire des données La statistique et la boîte à outils d'apprentissage automatique offrent de multiples façons d'explorer les données: traçage statistique avec graphiques interactifs, algorithmes pour l'analyse de grappes et statistiques descriptives pour de grands ensembles de données. Tracé statistique avec graphiques interactifs Comment visualiser des données multivariées à l'aide de divers diagrammes statistiques. Statistiques descriptives Les statistiques descriptives vous permettent de comprendre et de décrire rapidement de grandes séries de données en utilisant quelques chiffres très pertinents. Les statistiques et la machine outil d'apprentissage comprend des fonctions de calcul: Ces fonctions vous aider à résumer les valeurs dans un échantillon de données en utilisant quelques chiffres très pertinents. Dans certains cas, il n'est pas possible d'effectuer une inférence sur des statistiques récapitulatives utilisant des méthodes paramétriques. Pour gérer ces cas, la boîte de dialogue Statistiques et apprentissage des machines fournit des techniques de rééchantillonnage, notamment: Échantillonnage aléatoire à partir d'un ensemble de données avec ou sans remplacement Fonction non paramétrique d'amorçage pour étudier la distribution de statistiques en utilisant le rééchantillonnage Une fonction jackknife pour enquêter sur la distribution de statistiques en utilisant jackknife Rééchantillonnage Une fonction bootci pour estimer les intervalles de confiance à l'aide de bootstrap non paramétrique Les statistiques et la machine d'apprentissage Toolbox comprend des algorithmes pour effectuer l'analyse de cluster pour découvrir des modèles dans votre ensemble de données en regroupant des données basées sur des mesures de similarité. Les algorithmes disponibles incluent k-means. K-medoides. Hiérarchique. Modèles de mélange gaussien. Et des modèles cachés de Markov. Lorsque le nombre de clusters est inconnu, vous pouvez utiliser les techniques d'évaluation de cluster pour déterminer le nombre de clusters présents dans les données en fonction d'une métrique spécifiée. Apprenez à détecter les profils d'expression génique en examinant les données d'expression génique. Nonparametric Regression Statistics et Machine Learning Toolbox prend également en charge les techniques de régression non paramétriques pour générer un ajustement précis sans spécifier un modèle qui décrit la relation entre le prédicteur et la réponse. Les techniques de régression non paramétriques peuvent être classées plus largement sous la supervision de l'apprentissage automatique pour la régression et inclure les arbres de décision. Arbres de régression amplifiés ou ensachés. Et la régression machine de vecteur de soutien. Prédire le risque d'assurance en formant l'ensemble des arbres de régression à l'aide de TreeBagger. Régression et régression ANOVA En utilisant des techniques de régression, vous pouvez modéliser une variable de réponse continue en fonction d'un ou plusieurs prédicteurs. Statistiques et Machine Learning Toolbox offre une variété d'algorithmes de régression, y compris la régression linéaire. Modèles linéaires généralisés, régression non linéaire. Et des modèles à effets mixtes. Régression linéaire La régression linéaire est une technique de modélisation statistique utilisée pour décrire une variable de réponse continue en fonction d'une ou plusieurs variables prédictives. Il peut vous aider à comprendre et à prédire le comportement de systèmes complexes ou à analyser des données expérimentales, financières et biologiques. Statistique et Machine Learning Toolbox offre plusieurs types de modèles de régression linéaire et de méthodes d'ajustement, y compris: Simple: Modèle avec un seul prédicteur Multiple: Modèle avec plusieurs prédicteurs Multivariable: Modèle avec de multiples variables de réponse Robuste: Modèle en présence d'aberrants Stepwise: Model with Sélection automatique des variables Régularisé: Modèle qui peut traiter les prédicteurs redondants et empêcher la suralimentation en utilisant la crête. lasso. Et des algorithmes de réseau élastique Dans ce webinaire, vous apprendrez comment utiliser la Boîte à outils de la statistique et de la machine pour générer des modèles prédictifs précis à partir d'ensembles de données contenant un grand nombre de variables corrélées. Les modèles linéaires généralisés sont un cas particulier de modèles non linéaires utilisant des méthodes linéaires. Ils permettent aux variables de réponse d'avoir des distributions non normales et une fonction de lien qui décrit comment la valeur attendue de la réponse est liée aux prédicteurs linéaires. La Boîte à outils de la statistique et de la machine apprenante appuie le montage de modèles linéaires généralisés avec les distributions de réponses suivantes: Binomial normal (régression logistique ou probit) Poisson Gamma Gaussien inverse Evaluer la qualité des statistiques Fit et Machine Learning Toolbox fournit des parcelles statistiques pour évaluer la concordance entre un ensemble de données et un Distribution. La boîte à outils comprend des parcelles de probabilité pour une variété de distributions standard, y compris normale, exponentielle, valeur extrême, lognormal, Rayleigh et Weibull. Vous pouvez générer des parcelles de probabilité à partir de jeux de données complets et de jeux de données censurés. En outre, vous pouvez utiliser les parcelles quantile-quantile pour évaluer la concordance entre une distribution donnée et une distribution normale standard. Statistiques et Machine Learning Toolbox fournit également des tests d'hypothèses pour déterminer si un ensemble de données est compatible avec les différentes distributions de probabilité. Les tests de distribution spécifiques incluent: Tests d'Anderson-Darling Tests de Kolmogorov-Smirnov à un côté et bilatéraux Tests de qualité de l'ajustement du Chi-carré Tests de Lilliefors Tests d'Ansari-Bradley Tests de Jarque-Bera Essais de Durbin-Watson La boîte à outils fournit des fonctions pour générer pseudo - Et des flux de nombres quasi-aléatoires à partir de distributions de probabilité. Vous pouvez générer des nombres aléatoires à partir d'une distribution de probabilité ajustée ou construite en appliquant la méthode aléatoire. Statistiques et Machine Learning Toolbox fournit également des fonctions pour: Générer des échantillons aléatoires à partir de distributions multivariées, telles que t. Normal, copulas et Wishart Échantillonnage à partir de populations finies Réalisation d'échantillonnage hypercube latin Génération d'échantillons à partir de systèmes de distribution Pearson et Johnson Vous pouvez également générer des flux de nombres quasi-aléatoires. Des flux de nombres quasi-aléatoires produisent des échantillons très uniformes à partir de l'unité hypercube. Les flux de nombres quasi-aléatoires peuvent souvent accélérer les simulations de Monte Carlo parce que moins d'échantillons sont nécessaires pour obtenir une couverture complète. Utilisez des copules pour générer des données à partir de distributions multivariées quand il existe des relations compliquées entre les variables ou lorsque les variables individuelles proviennent de distributions différentes. Une variation aléatoire peut rendre difficile de déterminer si les échantillons prélevés dans des conditions différentes sont réellement différents. Le test d'hypothèse est un outil efficace pour analyser si les différences entre échantillons sont significatives et requièrent une évaluation plus poussée, ou si elles sont cohérentes avec les variations aléatoires et attendues des données. La statistique et la machine d'apprentissage Toolbox supporte les procédures d'essai d'hypothèses paramétriques et non paramétriques largement utilisées, y compris: Un échantillon et deux échantillons de t-tests Tests non paramétriques pour un échantillon, échantillons appariés et deux échantillons indépendants Tests de distribution (chi-carré, Jarque-Bera, Lilliefors (Kolmogorov-Smirnov) Tests de l'autocorrélation et du hasard Tests d'hypothèses linéaires sur les coefficients de régression Vous pouvez utiliser la Boîte à outils de la statistique et de la machine pour définir, analyser et visualiser une conception personnalisée des expériences (DOE ). Les fonctions de DOE vous permettent de créer et de tester des plans pratiques de collecte de données pour la modélisation statistique. Ces plans montrent comment manipuler les entrées de données en tandem pour générer des informations sur leurs effets sur les sorties de données. Par exemple, vous pouvez estimer les effets d'entrée et les interactions d'entrée à l'aide de la modélisation ANOVA, de la régression linéaire et de la surface de réponse, puis visualiser les résultats À travers les parcelles d'effets principales, les parcelles d'interaction et les cartes multivariées. La boîte à outils de statistiques et d'apprentissage automatique fournit un ensemble de fonctions qui prennent en charge le contrôle statistique des processus (SPC). Ces fonctions vous permettent de surveiller et d'améliorer des produits ou des processus en évaluant la variabilité du processus. Avec les fonctions SPC, vous pouvez: Effectuer des analyses de reproductibilité et de répétabilité de mesure Calculer la capacité de traitement Créer des diagrammes de contrôle Appliquer les règles de contrôle Western Electric et Nelson pour contrôler les données de diagramme Sélectionnez Votre CountrySlideshare utilise des cookies pour améliorer la fonctionnalité et la performance. Si vous continuez à naviguer sur le site, vous acceptez l'utilisation de cookies sur ce site. Consultez notre Accord utilisateur et notre Politique de confidentialité. Slideshare utilise des cookies pour améliorer la fonctionnalité et les performances, et pour vous fournir de la publicité pertinente. Si vous continuez à naviguer sur le site, vous acceptez l'utilisation de cookies sur ce site. Consultez notre politique de confidentialité et notre contrat d'utilisation pour plus de détails. Explorez tous vos sujets préférés dans l'application SlideShare Téléchargez l'application SlideShare pour Enregistrer pour plus tard, même en mode hors connexion Continuer vers le site mobile Télécharger Connexion Inscrivez-vous Appuyez deux fois pour effectuer un zoom arrière.
No comments:
Post a Comment