Statistics and Machine Learning Toolbox nedir?
Statistics and Machine Learning Toolbox, veri çözümleme ve model kurma için kullanılan bir araç kutusudur. Betimleyici istatistiklerle başlarsınız: merkezî eğilim, yayılım, biçim, korelasyon ve kovaryans ölçütlerini hesaplar, etkileşimli grafiklerle veriyi keşfedersiniz. Ardından küme analizi için k-ortalamalar, hiyerarşik ve DBSCAN gibi yöntemleri uygularsınız; bu yöntemler aynı zamanda aykırı değerleri açığa çıkarır. Fonksiyon listesini MathWorks dokümantasyonunda bulursunuz.
Model tarafında iki uygulama işi hızlandırır. Regression Learner doğrusal regresyon, Gauss süreçleri, destek vektör makineleri, sinir ağları ve topluluk yöntemlerini etkileşimli olarak eğitir; Classification Learner ise lojistik regresyon, destek vektör makineleri, artırmalı ağaçlar ve sığ sinir ağlarını dener. Boyut indirgeme ve otomatik öznitelik seçimi başarımı iyileştirir. Ayrıca yirmi beşten fazla olasılık dağılımını veriye oturtur, hipotez testleri ve varyans analizi yürütürsünüz. Belleğe sığmayan veri kümelerinde tall array ve tablolarla çalışır, sonunda sınıflandırma ve regresyon modellerinin çıkarımı için taşınabilir C ve C++ kodu üretirsiniz.
Statistics and Machine Learning Toolbox Temel Yetenekleri
Betimleyici İstatistik ve Görselleştirme
Merkezî eğilim, yayılım, biçim, korelasyon ve kovaryans ölçütlerini hesaplarsınız. Etkileşimli grafiklerle değişkenler arası ilişkileri keşfedersiniz.
Örneğin çok boyutlu dağılım grafiğiyle hangi değişkenlerin birlikte hareket ettiğini görürsünüz.
Küme Analizi
k-ortalamalar, hiyerarşik ve DBSCAN gibi yöntemlerle veriyi gruplara ayırırsınız. Üstelik aynı yöntemler aykırı değerleri de açığa çıkarır.
Böylece etiketsiz veride örüntüleri ortaya çıkarırsınız.
Regression Learner
Doğrusal regresyon, Gauss süreçleri, destek vektör makineleri, sinir ağları ve topluluk yöntemlerini etkileşimli olarak eğitirsiniz. Ayrıca modelleri aynı ekranda karşılaştırırsınız.
Ardından seçtiğiniz modelin kodunu dışa verip betiğe taşırsınız.
Classification Learner
Lojistik regresyon, destek vektör makineleri, artırmalı ağaçlar ve sığ sinir ağlarını dener, doğrulama sonuçlarını görürsünüz. Böylece model seçimini ölçütlere dayandırırsınız.
Üstelik boyut indirgeme ve öznitelik seçimini aynı akışta uygularsınız.
Olasılık Dağılımları ve Testler
Yirmi beşten fazla sürekli ve kesikli dağılımı veriye oturtursunuz. Örneğin normal, Weibull, gama ve beta dağılımlarını kullanırsınız.
Ayrıca t testleri, dağılım testleri ve parametrik olmayan testleri yürütürsünüz.
Büyük Veri Analizi
Belleğe sığmayan veri kümelerinde tall array ve tablolarla çalışırsınız. Ayrıca sınıflandırma, regresyon ve kümeleme algoritmaları bu yapılarla da koşar.
Dolayısıyla veriyi küçültmek zorunda kalmadan analiz edersiniz.