Statistics Toolbox

Apprentissage automatique

Les algorithmes d’apprentissage automatique utilisent des méthodes informatiques pour « obtenir » des informations à partir des données sans qu’il soit nécessaire d’utiliser une équation prédéterminée en tant que modèle. Ils peuvent améliorer leurs performances lorsque vous augmentez le nombre d’échantillons disponibles pour l’apprentissage.

Machine Learning avec MATLAB 3:02
Préparer les données pour s'entrainer sur des modèles d'apprentissage automatique avec MATLAB®

Classification

Les algorithmes de classification permettent de modéliser une variable réponse catégorique comme une fonction d’un ou plusieurs prédicteurs. La Statistics Toolbox offre un grand éventail d’algorithmes de classification paramétriques et non paramétriques, tels que :

Introduction à la classification 9:00
Développez des modèle prédictifs pour classifier les données.

Vous pouvez évaluer la qualité de l’ajustement pour les modèles de classification résultant à l’aide de techniques telles que :

Analyse de cluster

La Statistics Toolbox offre des algorithmes multiples pour analyser les données à l’aide de k-moyennes, de regroupements hiérarchiques, de modèles de mélange gaussien ou de modèles de Markov cachés. Lorsque le nombre de clusters est inconnu, la boîte à outils propose des techniques d’évaluation de clusters pour déterminer le nombre de clusters présents dans les données selon une métrique spécifique.

Graphique montrant des modèles naturels dans les profils d’expression génique obtenus à partir de levure de boulanger. La procédure d’analyse en composantes principales et les algorithmes de classement par k-means sont utilisés pour trouver des clusters dans les données de profils.
Graphique montrant des modèles naturels dans les profils d’expression génique obtenus à partir de levure de boulanger. La procédure d’analyse en composantes principales et les algorithmes de classement par k-means sont utilisés pour trouver des clusters dans les données de profils.

Regrouper les gènes à l’aide de K-means (Exemple)
Découvrez comment détecter des modèles dans les profils d’expression génique en examinant les données

Modèle de mélange gaussien à deux composants qui s’adapte à un mélange de gaussiennes bivariées.
Modèle de mélange gaussien à deux composants qui s’adapte à un mélange de gaussiennes bivariées.
Sortie à partir de l’application d’un algorithme de classement sur le même exemple.
Sortie à partir de l’application d’un algorithme de classement sur le même exemple.
Dendrogramme qui affiche un modèle avec 4 clusters.
Dendrogramme qui affiche un modèle avec 4 clusters.

Analyse de cluster (Exemple)
Utilisation des algorithmes de k-means et classification hiérarchique pour découvrir les groupements naturels dans les données.

Régression

Les algorithmes de régression permettent de modéliser une variable réponse continue comme une fonction d’un ou plusieurs prédicteurs. La Statistics Toolbox offre un grand éventail d’algorithmes de classification paramétriques et non paramétriques, tels que :

Statistique computationnelle : sélection des fonctions, régularisation et diminution avec MATLAB 36:51
Génération d'ajustements précis en présence de données corrélées.

Point suivant: Statistiques multivariables

Essayer Statistics Toolbox

Obtenir une version d'évaluation

Machine Learning with MATLAB

Visionner le webinar