새로운 내용

새로운 제품의 기능에 대해 알아보십시오.


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.

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.

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.

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.

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.