Statistics and Machine Learning Toolbox

Statistik dan Machine Learning Toolbox ™ menyediakan fungsi dan aplikasi untuk menggambarkan,
menganalisis, dan memodelkan data. Anda dapat menggunakan statistik deskriptif dan plot untuk analisis
data eksplorasi, menyesuaikan distribusi probabilitas ke data, menghasilkan angka acak untuk simulasi
Monte Carlo, dan melakukan tes hipotesis. Algoritma regresi dan klasifikasi memungkinkan Anda menarik
kesimpulan dari data dan membangun model prediksi.

Untuk analisis data multidimensi, Statistik dan Machine Learning Toolbox menyediakan pemilihan fitur,
regresi bertahap, analisis komponen utama (PCA), regularisasi, dan metode pengurangan dimensi lain
yang memungkinkan Anda mengidentifikasi variabel atau fitur yang memengaruhi model Anda.

Toolbox ini menyediakan algoritma pembelajaran mesin yang diawasi dan tidak diawasi, termasuk mesin
vektor dukungan (SVM), pohon keputusan yang dikuatkan dan dikantongi, tetangga terdekat k, k-medoid,
k-medoid, pengelompokan hierarkis, model campuran Gaussian, dan model Markov tersembunyi. Banyak
statistik dan algoritma pembelajaran mesin dapat digunakan untuk perhitungan pada set data yang terlalu
besar untuk disimpan dalam memori.

Mulai

Pelajari dasar-dasar Statistik dan Machine Learning Toolbox

Statistik dan Visualisasi Deskriptif

Impor dan ekspor data, statistik deskriptif, visualisasi

Distribusi Probabilitas

Model frekuensi data, pembuatan sampel acak, estimasi parameter

Tes Hipotesis

uji-t, uji-F, uji kelayakan chi-square, dan banyak lagi

Analisis Cluster

Teknik pembelajaran tanpa pengawasan untuk menemukan pengelompokan dan pola alami dalam data
ANOVA

Analisis varians dan kovarians, ANOVA multivariat, tindakan ANOVA berulang

Regresi

Teknik linier, linier umum, nonlinier, dan nonparametrik untuk pembelajaran terawasi

Klasifikasi

Algoritma pembelajaran yang diawasi untuk masalah biner dan multikelas

Pengurangan Dimensi dan Ekstraksi Fitur

PCA, analisis faktor, pemilihan fitur, ekstraksi fitur, dan banyak lagi

Statistik Industri

Desain percobaan (DOE); analisis ketahanan dan keandalan; kontrol proses statistik

Analisis Big Data dengan Array Tinggi

Menganalisis data kehabisan memori

Mempercepat Perhitungan Statistik

Komputasi fungsi statistik yang paralel atau terdistribusi

Pembuatan Kode

Hasilkan kode C dan fungsi MEX untuk fungsi kotak alat

 Memulai dengan Statistik dan Machine Learning Toolbox

Tutorial

Pembelajaran Mesin di MATLAB

Temukan kemampuan pembelajaran mesin di MATLAB® untuk klasifikasi, regresi, pengelompokan, dan
pembelajaran mendalam, termasuk aplikasi untuk pelatihan model otomatis dan pembuatan kode.

Melatih Model Klasifikasi di Aplikasi Klasifikasi Pelajar

Alur kerja untuk pelatihan, membandingkan dan meningkatkan model klasifikasi, termasuk pelatihan
otomatis, manual, dan paralel.

Melatih Model Regresi di App Regresi Learner

Alur kerja untuk pelatihan, membandingkan dan meningkatkan model regresi, termasuk pelatihan
otomatis, manual, dan paralel.

Petak kotak

Bandingkan distribusi data menggunakan median, rentang interkuartil, dan persentil.

Plot Distribusi

Tentukan distribusi data secara visual.

Jelajahi UI Pembuatan Angka Acak

Hasilkan sampel acak dari distribusi probabilitas yang ditentukan, dan tampilan menampilkan sampel
sebagai histogram.

Alur Kerja dan Algoritma Pembelajaran yang Diawasi

Memahami langkah-langkah untuk pembelajaran yang diawasi dan karakteristik klasifikasi

nonparametrik dan fungsi regresi.

Desain Eksperimen

Mengatasi masalah pemodelan statistik dengan pengumpulan data aktif.

Machine Learning in MATLAB

Apa itu Pembelajaran Mesin?

Pembelajaran mesin mengajarkan komputer untuk melakukan apa yang secara alami terjadi pada
manusia: belajar dari pengalaman. Algoritma pembelajaran mesin menggunakan metode komputasi
untuk "mempelajari" informasi secara langsung dari data tanpa bergantung pada persamaan yang telah
ditentukan sebagai model. Algoritma secara adaptif meningkatkan kinerjanya karena jumlah sampel
yang tersedia untuk pembelajaran meningkat.

Pembelajaran mesin menggunakan dua jenis teknik: pembelajaran terawasi, yang melatih model input
dan output data yang diketahui sehingga dapat memprediksi output di masa depan, dan pembelajaran
tanpa pengawasan, yang menemukan pola tersembunyi atau struktur intrinsik dalam data input.

Tujuan pembelajaran mesin yang diawasi adalah untuk membangun model yang membuat prediksi
berdasarkan bukti di hadapan ketidakpastian. Algoritma pembelajaran yang diawasi mengambil
seperangkat data input yang diketahui dan respons yang diketahui terhadap data (output) dan melatih
model untuk menghasilkan prediksi yang masuk akal untuk respons terhadap data baru. Pembelajaran
terawasi menggunakan teknik klasifikasi dan regresi untuk mengembangkan model prediksi.

1. Teknik klasifikasi memprediksi respons kategori, misalnya, apakah email itu asli atau spam, atau
apakah tumor itu kanker atau jinak. Model klasifikasi mengklasifikasikan input data ke dalam
kategori. Aplikasi yang umum termasuk pencitraan medis, pengenalan gambar dan ucapan, dan
penilaian kredit.
2. Teknik regresi memprediksi respons yang berkelanjutan, misalnya, perubahan suhu atau
fluktuasi permintaan daya. Aplikasi yang umum termasuk peramalan beban listrik dan
perdagangan algoritmik.
Pembelajaran tanpa pengawasan menemukan pola tersembunyi atau struktur intrinsik dalam data. Ini
digunakan untuk menarik kesimpulan dari dataset yang terdiri dari data input tanpa respons berlabel.
Clustering adalah teknik belajar tanpa pengawasan yang paling umum. Ini digunakan untuk analisis data
eksplorasi untuk menemukan pola atau pengelompokan tersembunyi dalam data. Aplikasi untuk
pengelompokan termasuk analisis urutan gen, riset pasar, dan pengenalan objek.

Memilih Algoritma yang Tepat

Memilih algoritma yang tepat bisa tampak luar biasa — ada banyak algoritma pembelajaran mesin yang
diawasi dan tidak diawasi, dan masing-masing mengambil pendekatan belajar yang berbeda. Tidak ada
metode terbaik atau satu ukuran cocok untuk semua. Menemukan algoritma yang tepat sebagian
didasarkan pada coba-coba — bahkan para ilmuwan data yang sangat berpengalaman pun tidak dapat
memastikan apakah suatu algoritma akan berfungsi tanpa mencobanya. Model yang sangat fleksibel
cenderung menyesuaikan data dengan memodelkan variasi kecil yang dapat menjadi noise. Model
sederhana lebih mudah diinterpretasikan tetapi mungkin memiliki akurasi yang lebih rendah. Oleh
karena itu, memilih algoritma yang tepat membutuhkan pertukaran satu manfaat dengan yang lain,
termasuk kecepatan model, akurasi, dan kompleksitas. Trial and error adalah inti dari pembelajaran
mesin — jika satu pendekatan atau algoritma tidak berfungsi, Anda coba yang lain. MATLAB®
menyediakan alat untuk membantu Anda mencoba berbagai model pembelajaran mesin dan memilih
yang terbaik.
Untuk menemukan aplikasi dan fungsi MATLAB untuk membantu Anda menyelesaikan tugas
pembelajaran mesin, lihat tabel berikut. Beberapa tugas pembelajaran mesin dibuat lebih mudah
dengan menggunakan aplikasi, dan yang lainnya menggunakan fitur-fitur baris perintah.

Alur kerja pembelajaran mesin yang sistematis berikut ini dapat membantu Anda mengatasi tantangan
pembelajaran mesin. Anda bisa menyelesaikan seluruh alur kerja di MATLAB

Untuk mengintegrasikan model yang paling terlatih ke dalam sistem produksi, Anda dapat
menggunakan model pembelajaran mesin Statistics and Machine Learning Toolbox menggunakan
MATLAB Compiler ™. Untuk banyak model, Anda dapat membuat kode-C untuk prediksi menggunakan
MATLAB Coder ™
 Melatih Model Klasifikasi di Aplikasi Klasifikasi Pelajar

Gunakan aplikasi Classification Learner untuk melatih model untuk mengklasifikasikan data
menggunakan pembelajaran mesin yang dilindungi. Aplikasi ini memungkinkan Anda menjelajahi
pembelajaran mesin yang diawasi secara interaktif menggunakan berbagai pengklasifikasi.

1. Secara otomatis melatih pilihan model dan membantu Anda memilih model terbaik. Jenis model
termasuk pohon keputusan, analisis diskriminan, mesin vektor dukungan, regresi logistik, tetangga
terdekat, dan klasifikasi ensemble.

2. Jelajahi data Anda, pilih fitur, dan visualisasikan hasil.

3. Ekspor model ke ruang kerja untuk membuat prediksi dengan data baru.

4. Hasilkan kode MATLAB dari aplikasi untuk membuat skrip, berlatih dengan data baru, bekerja dengan
kumpulan data besar, atau memodifikasi kode untuk analisis lebih lanjut.

Secara default, aplikasi melindungi terhadap overfitting dengan menerapkan validasi silang. Atau, Anda
dapat memilih validasi ketidaksepakatan.

Untuk mempelajari lebih lanjut, lihat Melatih Model Klasifikasi di Aplikasi Pembelajar Klasifikasi.
 Melatih Model Regresi di App Regresi Learner

Gunakan aplikasi Regression Learner untuk melatih model untuk memprediksi data kontinu menggunakan
pembelajaran mesin yang diawasi. Aplikasi ini memungkinkan Anda menjelajahi pembelajaran mesin yang
diawasi secara interaktif menggunakan berbagai model regresi.

1. Secara otomatis melatih pilihan model dan membantu Anda memilih model terbaik. Jenis model
termasuk model regresi linier, pohon regresi, model regresi proses Gaussian, mesin vektor dukungan, dan
ansambel pohon regresi.

2. Jelajahi data Anda, pilih fitur, dan visualisasikan hasil.

3. Ekspor model ke ruang kerja untuk membuat prediksi dengan data baru.

4. Hasilkan kode MATLAB dari aplikasi untuk membuat skrip, berlatih dengan data baru, bekerja dengan
kumpulan data besar, atau memodifikasi kode untuk analisis lebih lanjut.

Secara default, aplikasi melindungi terhadap overfitting dengan menerapkan validasi silang. Atau, Anda
dapat memilih validasi ketidaksepakatan.

Untuk mempelajari lebih lanjut, lihat Melatih Model Regresi di Aplikasi Pelajar Regresi.
 Latih Jaringan Saraf Tiruan untuk Pembelajaran Jauh

Neural Network Toolbox memungkinkan Anda melakukan pembelajaran mendalam dengan jaringan saraf
convolutional untuk klasifikasi, regresi, ekstraksi fitur, dan transfer pembelajaran. Toolbox menyediakan
perintah-perintah MATLAB sederhana untuk membuat dan menghubungkan lapisan-lapisan jaringan saraf
yang dalam. Contoh dan jaringan pra-pelatihan membuatnya mudah untuk menggunakan MATLAB untuk
pembelajaran yang mendalam, bahkan tanpa pengetahuan luas tentang algoritma visi komputer canggih
atau jaringan saraf.

Untuk mempelajari lebih lanjut, lihat Pembelajaran Mendalam di MATLAB (Neural Network Toolbox).