Statistics and Machine Learning Toolbox^™. 統計與機器學習工具箱

Key Features

• 資料組織和管理
• 敘述統計
• 統計圖和資料視覺化
• 機率分佈
• 變異數分析(ANOVA)
• 線性和非線性模型
• 多變量統計
• 實驗設計(DOE)
• 假設檢定
• 統計製程管制(SPC)

2022a :

• 機器學習 App：保存和繼續會話，按重要性排列和選擇特徵，並為測試預留資料
• 增量機器學習：對串流資料執行偏移檢測；訓練核心和多類線性模型
• 部署：產生 C/C++ 程式碼以使用淺層神經網路進行推斷
• Simulink：提供高斯處理回歸的 Simulink模組

2021b :

• 淺層神經網路：在Simulink中作為內建模組使用；可進行自動化超參數調校
• 機器學習：使用即時任務探索 k平均數聚類，並使用isolation forest演算法進行異常檢測
• 部署：將模型從分類學習器(Classification Learner)和回歸學習器(Regression Learner)匯出到 MATLAB生產伺服器( MATLAB Production Server)

2021a :

• 新增機器學習 App功能：基於預留測試資料評估模型，並在分類學習器和回歸學習器中擬合全連接神經網路
• 可解釋性：使用 Shapley值解釋複雜模型，以獲得與模型無關的解釋
• 加入Simulink 預測模組：可模擬決策樹和樹集成，並產生 C/C++ 程式碼

2020b :

• 自動化機器學習工作流程AutoML：自動選擇最佳模型和相關超參數以進行迴歸 (fitrauto)
• 提升模型可解釋性：新增locally interpretable model-agnostic explanations (LIME)
• SVM 預測模組：在 Simulink 中模擬 SVM 模型並產生程式碼

2020a :

• 增加自動機器學習 (AutoML)：自動選擇最佳模型和相關超參數 (fitcauto) 以進行分類

2019b :

• 機器學習器MATLAB APP：在 Classification Learner 和 Regression Learner 中加入對超參數進行最佳化，並可在 Classification Learner 中指定分類錯誤成本
• 程式碼轉碼：無需重新將程式碼轉碼便可更新已部署的決策樹或線性模型，還可以為機率分佈函式產生 C/C++ 程式碼（需要 MATLAB Coder）
• 程式碼轉碼：產生用於預測 SVM 模型的定點數 C/C++ 程式碼。（需要 MATLAB Coder 和 Fixed-Point Designer）

2019a :

• 機器學習應用程式(APP)：在分類學習器中訓練簡單貝氏模型 (Naive Bayes Model) ，並將視覺化物件匯出成分類學習器和迴歸學習器中的圖形。
• 在分類學習器中訓練單純貝氏模型 (Naive Bayes Model) ，以及分類學習器和迴歸學習器可匯出視覺化圖形。
• 機器學習演算法：現可執行以密度為基礎的分群演算法(DBSCAN)、利用多類別分類進行超參數最佳化，以及加速gradient boosted trees的訓練（類似 XGBoost演算法）

2018b :

• 新增大數據演算法：可擬合多類別分類模型並執行超參數最佳化
• 程式碼轉碼：更新已轉碼的 SVM 模型，毋需重新轉碼（需要 MATLAB-c轉碼器）

2018a :

• 在分類學習器應用程式中加入高密度數據散佈圖功能
• 加入用來執行核支援向量機迴歸(kernel SVM regression)，計算混淆矩陣(confusion matrices)，建立交叉驗證中的非分層分割等大數據演算法

2017a :

• 增加迴歸學習應用程式(Regression Learner app)，以監督式機器學習訓練迴歸模型
• 新增Tall arrays支援的演算法，包含支持向量機 (support vector machine, SVM) 和單純貝氏分類 (Naive Bayes classification)、袋裝決策樹(bagged decision trees)以及Lasso迴歸

2016b :

• 新增大數據的函式，可避免記憶體不足(out-of-memory)情形，功能範圍包括維度縮減、敘述統計、k- means演算法、線性迴歸、邏輯回歸和判別分析
• 加入貝氏最佳化(Bayesian optimization)功能，讓您可以選擇機器學習模型特性，像是自動調整機器學習演算法參數，鄰近元件分析 (NCA)等。
• 支援使用 MATLAB Coder™自動產生 SVM 和邏輯回歸模型的C/C++ 程式碼。

2016a :

• 新增分類學習器應用程式(APP)新增以下功能: 自動訓練多個模型、依類別標籤呈現結果和邏輯迴歸分類

2015b :

• 增加用於檢定模型之SVR（支持向量回歸）和高斯過程 (Kriging)功能、用於在分類學習器應用程式(APP)內的PCA 特徵轉換以及GPU 加速等 65個不同函式。

2015a :

• 為原Statistic Toolbox(統計工具箱)更名，新增一個分類學習應用程式(APP)，此APP為一個訓練模型的使用者介面，可藉由此介面簡單的訓練出在機器學習的分類(classification)模型

2014b :

• 提供多類別的機器學習分類架構，如SVM和廣義線性混和效果模型(GLME)等二元分類器(binary classifiers)

2014a :

• 對具有每個主題含有複數測量值之資料提供重複測量模型

2013b :

• 新增線性混合效果(linear mixed-effects)回歸模型。

2013a :

• 支援與機器學習(machine learning)相關的多種函式，如用於二進位分類法的支持向量機(SVMs)，用於遺漏值(missing data)的主成分分析演算法(PCA)以及用於常態特性的Anderson-Darling 適合度檢定等。

2012a :

• 新增迴歸分析的功能，簡化結果的繪圖過程，並新增契合及預測之相關函數

2011b :

• 提供高維數據分析之Lasso及彈性網路之線性回歸等變量選擇