GrowthNudge 

你的成長(zhǎng)，我來(lái)助推！

公眾號(hào)《成長(zhǎng)助推》致力于分享成長(zhǎng)需要的實(shí)用工具、技能、思維方式，以助推你的成長(zhǎng)為目標(biāo)，直接省心的提供高效有價(jià)值的內(nèi)容。

今日助推小目標(biāo)：

1. 工具箱簡(jiǎn)單說(shuō)明。統(tǒng)計(jì)與機(jī)器學(xué)習(xí)工具箱；

2. 8046頁(yè)的PDF文檔下載。MathWorks的關(guān)于該工具箱的超詳細(xì)用戶(hù)手冊(cè)：Statistics and Machine Learning Toolbox User's Guide。

統(tǒng)計(jì)與機(jī)器學(xué)習(xí)工具箱

MathWorks公司有很多屬于機(jī)器學(xué)習(xí)分支的軟件包，提供用于數(shù)據(jù)分析的高質(zhì)量算法以及用于可視化圖形工具。這些軟件包可以相互集成或與其他Matlab函數(shù)集成，用以生成用于機(jī)器學(xué)習(xí)中的強(qiáng)大系統(tǒng)。

這些工具箱包括但不限于以下幾種：統(tǒng)計(jì)與機(jī)器學(xué)習(xí)工具箱；神經(jīng)網(wǎng)絡(luò)工具箱；計(jì)算機(jī)視覺(jué)系統(tǒng)工具箱；系統(tǒng)辨識(shí)工具箱等；

今天主要給大家簡(jiǎn)單介紹《統(tǒng)計(jì)與機(jī)器學(xué)習(xí)工具箱》，它提供用于從大量數(shù)據(jù)中獲取趨勢(shì)和模式的數(shù)據(jù)分析方法，包括分類(lèi)工具、回歸工具和聚類(lèi)工具等；

分類(lèi)方法用于將數(shù)據(jù)區(qū)分為不同的類(lèi)別。例如圖像形式的數(shù)據(jù)可用于按照是否有腫瘤對(duì)器官圖像分類(lèi)。分類(lèi)學(xué)習(xí)通常應(yīng)用于手寫(xiě)識(shí)別，信用評(píng)分和面部識(shí)別等問(wèn)題中。分類(lèi)方法包括支持向量機(jī)(SVM)，決策樹(shù)和神經(jīng)網(wǎng)絡(luò)等。

回歸方法允許基于當(dāng)前數(shù)據(jù)構(gòu)建模型預(yù)測(cè)未來(lái)的數(shù)據(jù)。在有新數(shù)據(jù)可用時(shí)可以持續(xù)更新回歸模型；數(shù)據(jù)只使用一次來(lái)創(chuàng)建模型，那么它處于批處理方法；在數(shù)據(jù)可用時(shí)合并新數(shù)據(jù)的回歸方法，屬于遞歸方法。

聚類(lèi)方法在數(shù)據(jù)中發(fā)現(xiàn)自然分組，目標(biāo)識(shí)別是聚類(lèi)方法的一個(gè)應(yīng)用。例如，如果想識(shí)別圖像中的汽車(chē)，那么就去查找圖像中屬于汽車(chē)部分的關(guān)聯(lián)數(shù)據(jù)，雖然汽車(chē)具有不同的形狀和尺寸，但他們?nèi)匀挥性S多共同的特征。

工具箱具有許多功能來(lái)支持這些應(yīng)用領(lǐng)域。

用戶(hù)手冊(cè)(User's Guide)

該手冊(cè)內(nèi)容豐富，共8046頁(yè)，2016年。

分類(lèi)算法可以將一個(gè)分類(lèi)應(yīng)變量建模為一個(gè)或多個(gè)預(yù)測(cè)元的函數(shù)。工具箱提供了涵蓋多種參數(shù)化和非參數(shù)化分類(lèi)算法的應(yīng)用程序和函數(shù)，如：

邏輯回歸；

促進(jìn)式和袋裝決策樹(shù)；

樸素貝葉斯分類(lèi)；

K-最近鄰(kNN)分類(lèi)；

判別分析(線(xiàn)性和二次變量)；

支持向量機(jī)(SVM)；

回歸方法可將一個(gè)連續(xù)應(yīng)變量建模為一個(gè)或多個(gè)預(yù)測(cè)元的函數(shù)。工具箱提供各種回歸算法，包括線(xiàn)性回歸、廣義線(xiàn)性模型、非線(xiàn)性回歸和混合效應(yīng)模型。

線(xiàn)性回歸是一種用于描述作為一個(gè)或多個(gè)預(yù)測(cè)元變量的連續(xù)應(yīng)變量的統(tǒng)計(jì)建模技術(shù)。它有助于您理解和預(yù)測(cè)復(fù)雜系統(tǒng)的行為，或者分析實(shí)驗(yàn)、金融和生物數(shù)據(jù)。

非線(xiàn)性回歸是一種有助于描述實(shí)驗(yàn)數(shù)據(jù)中非線(xiàn)性關(guān)系的統(tǒng)計(jì)建模技術(shù)。通常將非線(xiàn)性回歸模型假設(shè)為參數(shù)模型，將該模型稱(chēng)為非線(xiàn)性方程。工具箱還提供強(qiáng)大的非線(xiàn)性擬合，用于處理數(shù)據(jù)中的異常值。

工具箱提供包括用于執(zhí)行聚類(lèi)分析的算法，通過(guò)根據(jù)相似度測(cè)量對(duì)數(shù)據(jù)分組來(lái)發(fā)現(xiàn)數(shù)據(jù)集中的規(guī)律。可用的算法包括 k-均值、k-中心點(diǎn)、分層聚類(lèi)、高斯混合模型和隱馬爾可夫模型。當(dāng)不知道聚類(lèi)的數(shù)量時(shí)，可以使用聚類(lèi)評(píng)估技術(shù)根據(jù)特定指標(biāo)確定數(shù)據(jù)中存在的聚類(lèi)數(shù)量。

進(jìn)入《成長(zhǎng)助推》公眾號(hào)，給后臺(tái)發(fā)送關(guān)鍵詞“機(jī)器學(xué)習(xí)”即可，自動(dòng)回復(fù)已備好。