Accelerating the pace of engineering and science

Statistics and Machine Learning Toolbox

새로운 내용

새로운 제품의 기능에 대해 알아보십시오.

빅데이터 알고리즘

빅데이터 알고리즘

메모리 부족 데이터에 대해 차원 감소, 기술 통계, K-means 클러스터링, 선형 회귀, 로지스틱 회귀 및 판별 분석 수행

베이지안 최적화(Bayesian Optimization)

베이지안 최적화(Bayesian Optimization)

최적의 하이퍼 파라미터를 검색하여 머신 러닝 알고리즘 튜닝

특징 선택(feature selection)

특징 선택(feature selection)

NCA(Neighborhood Component Analysis)를 사용하여 머신 러닝 모델의 기능 선택

코드 생성

코드 생성

SVM 및 로지스틱 회귀 모델을 사용하여 예측할 C 코드 생성(MATLAB Coder 필요)

Classification Learner

Classification Learner

분류자를 병렬로 훈련(Parallel Computing Toolbox 필요)

머신 러닝 성능

머신 러닝 성능

가우스 혼합 모델링(Gaussian Mixture Modeling), 중복 관측값이 있는 SVM 및 희소 행렬로 이루어진 데이터의 거리 계산 속도 증가

생존 분석(Survival Analysis)

생존 분석(Survival Analysis)

Cox 비례 위험 모델에 새로운 잔차 옵션 기능과 모델 피팅 기능 추가

Latest Releases

R2016b (버전 11.0) - 2016년 9월 14일

2016b의 일부인 Version 11.0 에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 빅데이터 알고리즘: 메모리 부족 데이터에 대해 차원 감소, 기술 통계, K-means 클러스터링, 선형 회귀, 로지스틱 회귀 및 판별 분석 수행
  • 베이지안 최적화(Bayesian Optimization): 최적의 하이퍼 파라미터를 검색하여 머신 러닝 알고리즘 튜닝
  • 특징 선택(feature selection): NCA(Neighborhood Component Analysis)를 사용하여 머신 러닝 모델의 기능 선택
  • 코드 생성: SVM 및 로지스틱 회귀 모델을 사용하여 예측할 C 코드 생성(MATLAB Coder 필요)
  • Classification Learner: 분류자를 병렬로 훈련(Parallel Computing Toolbox 필요)
  • 머신 러닝 성능: 가우스 혼합 모델링(Gaussian Mixture Modeling), 중복 관측값이 있는 SVM 및 희소 행렬로 이루어진 데이터의 거리 계산 속도 증가
  • 생존 분석(Survival Analysis): Cox 비례 위험 모델에 새로운 잔차 옵션 기능과 모델 피팅 기능 추가

자세한 내용은 Release Notes를 참조하십시오.

R2016a (버전 10.2) - 2016년 3월 3일

2016a의 일부인 Version 10.2에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 고차원 데이터에 대한 기계 학습 fitclinearfitrlinear 함수를 사용하여 확률 그라데이션 디센트 및 (L)BFGS 등의 기술로 선형 분류화 및 회귀 모델의 빠른 피팅을 수행합니다.
  • Classification Learner: 자동으로 여러 모델을 교육하고 클래스 레이블별로 결과를 시각화하며 논리형 회귀 분류화를 수행합니다.
  • 성능: 데이터가 대량의 클러스터로 구성된 경우에는 kmeans, kmedoids 및 가우스 혼합 모델을 사용하여 클러스터링을 수행합니다.
  • 확률 분포: ksdensitymvksdensity 함수를 사용하여 데이터를 다변량하는 커널 평활 밀도를 맞춥니다.
  • 안정 분포: 헤비 테일 분포가 필요한 재정 및 기타 데이터를 모델링합니다.

자세한 내용은 Release Notes를 참조하십시오.

R2015b (버전 10.1) - 2015년 9월 3일

2015b의 일부인 Version 10.1 에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • Classification Learner: 판별 분석이 데이터를 분류하도록 학습하고 범주형 예측자를 사용하여 모델 학습, PCA를 사용하여 차원 축소를 수행
  • 비모수적 회귀: SVR(support vector regression) 또는 Gaussian 프로세스(Kriging)를 사용한 모델 피팅​
  • 기계 학습을 위한 데이블형(table) 및 범주형(Categorical) 데이터 분류 및 비모수적 회기 함수와 Classification Learner에서 테이블형범주형 예측자를 사용​
  • 코드 생성: C 및 C++ 코드를 자동으로 생성( kmeansrandsample) 함수( MATLAB Coder))​
  • GPU 가속: 확률 분포, 기술 통계, 가설 검증을 포함하여 65개 함수에 대한 연산을 가속(Parallel Computing Toolbox 사용)​

자세한 내용은 Release Notes를 참조하십시오.

R2015a (버전 10.0) - 2015년 3월 5일

2015a의 일부인 Version 10.0 에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 관리식 기계 학습을 사용하여 모델을 학습하고 데이터를 분류하기 위한 분류 앱
  • 두 분류 모델의 정확성을 비교하기 위한 통계 시험( compareHoldout, testcholdouttestckfold 함수 사용)
  • 코사인, 상관관계 또는 spearman 거리 계산을 사용하는 경우 kmedoids, fitcknn및 기타 함수의 속도 향상
  • 의사결정 트리 및 성능 곡선의 성능 향상​​
  • fitctree , fitrtree templateTree 함수의'MaxNumSplits' 인자를 사용하여 의사결정 트리의 심도를 제어하기 위한 추가 옵션
  • 다음 함수를 위한 코드 생성: kmeanspca 함수( MATLAB Coder)사용)
  • 이표본 t-테스트를 위한 전력 및 샘플 크기( sampsizepwr 함수로 datastore로부터 데이터 병렬로 읽기

자세한 내용은 Release Notes를 참조하십시오.

R2014b (버전 9.1) - 2014년 10월 2일

2014b의 일부인 Version 9.1에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • fitcecoc 함수를 사용하여 SVM(Support Vector Machine) 및 기타 분류자를 위한 다중 클래스 학습
  • fitglme 함수를 사용하여 일반화된 선형 mixed-effects 모델
  • kmedoids 함수를 사용하여 이상점(outlier)에 대해 강인한 클러스터링
  • kmeans++ 알고리즘을 사용하여 kmeansgmdistribution 클러스터링 가속
  • 2-by-2 분할표(Contegency table)위한 Fisher's exact test

자세한 내용은 Release Notes를 참조하십시오.