Statistics and Machine Learning Toolbox

Analice y modele datos con estadística y Machine Learning

¿Tiene preguntas? Comuníquese con ventas.

Statistics and Machine Learning Toolbox ofrece funciones y apps para análisis estadístico y Machine Learning en MATLAB.

Para análisis estadístico, puede utilizar estadística descriptiva para explorar datos, ajustar distribuciones de probabilidad, efectuar pruebas de hipótesis, realizar análisis de varianza (ANOVA), planificar experimentos, validar sistemas de medición y supervisar procesos. Puede utilizar funciones para análisis programático y apps interactivas para flujos de trabajo guiados, como ajuste de distribuciones, diseño de experimentos (DOE) y Gage R&R.

Para Machine Learning, puede entrenar modelos de regresión, clasificación y agrupación en clusters, entre otros tipos, de manera interactiva o mediante programación. La toolbox admite ingeniería de características, reducción de dimensionalidad, interpretación de modelos, integración con Simulink y generación de código C/C++ para despliegue. Para trabajar de manera interactiva, puede utilizar las apps Classification Learner o Regression Learner para explorar datos, seleccionar características, elegir esquemas de validación, ajustar hiperparámetros y evaluar múltiples algoritmos de forma comparativa.

Análisis estadísticos

Diagrama de dispersión multidimensional que muestra relaciones entre variables.

Explore y visualice datos

Explore datos con gráficas estadísticas, gráficos interactivos y estadística descriptiva. Resuma tendencia central, dispersión, forma, correlación y covarianza.

Documentación | Ejemplos

App DOE Explorer que muestra un resumen de ajuste de regresión lineal con coeficientes estimados, efectos estandarizados y resultados de ANOVA.

Diseño de experimentos (DOE)

Diseñe experimentos sistemáticos y analice datos de respuesta en la app DOE Explorer. Genere diseños de experimentos comunes, ajuste modelos lineales, revise ANOVA y diagnósticos de residuos, y exporte resultados para su posterior análisis en MATLAB.

Documentación | Ejemplos

Gráficos de control X-barra y R con líneas centrales y límites de control.

Control estadístico de procesos

Supervise la estabilidad y capacidad de procesos con gráficos de control, análisis de capacidad y análisis de Pareto. Evalúe la variación del sistema de medición con la app Gage R&R.

Documentación | Ejemplos

Los datos de fallos se muestran con valores de vida útil censurados.

Análisis de fiabilidad

Modele tiempos hasta el fallo, tasas de riesgo y curvas de supervivencia a partir de datos de vida útil censurados, y luego calcule el tiempo medio entre fallos (MTBF) a partir de esas estimaciones.

Documentación | Ejemplos

Ajuste de distribución de probabilidad evaluado con datos de muestra.

Distribuciones de probabilidad

Ajuste distribuciones continuas y discretas, evalúe la bondad de ajuste con gráficas estadísticas y calcule funciones de densidad de probabilidad y de distribución acumulada.

Documentación | Ejemplos

Gráfica de comparaciones de ANOVA que muestra medias grupales con intervalos de confianza.

Pruebas de hipótesis y ANOVA

Compare grupos y evalúe efectos de factores con pruebas t, pruebas no paramétricas, pruebas de distribución y ANOVA. Utilice ANOVA de un factor, de múltiples factores y de mediciones repetidas con comparaciones post hoc para interpretar diferencias estadísticas.

Documentación (pruebas de hipótesis, ANOVA) | Ejemplos (pruebas de hipótesis, ANOVA)

Machine Learning

App Regression Learner que compara modelos de regresión entrenados.

Clasificación y regresión

Entrene, valide y compare modelos de clasificación y regresión de manera interactiva sin necesidad de escribir código. Explore datos, seleccione características, elija esquemas de validación, ajuste hiperparámetros y exporte modelos entrenados o código de MATLAB.

Documentación (Classification Learner, Regression Learner) | Ejemplos (clasificación, regresión)

Ejemplo de código de MATLAB para ajustar modelos de regresión de procesos gaussianos y comparar intervalos de predicción.

Flujos de trabajo de Machine Learning

Cree flujos de trabajo de Machine Learning integrales en MATLAB, desde la preparación de datos e ingeniería de características hasta el entrenamiento, evaluación y despliegue de modelos. Cree cadenas de tareas reutilizables, automatice flujos de trabajo y escale experimentos.

Documentación | Ejemplos

Diagrama que muestra flujos de trabajo de Machine Learning de MATLAB que generan código para hardware embebido o compilan modelos para sistemas empresariales.

Generación y despliegue de código

Despliegue modelos de Machine Learning en sistemas de producción y plataformas objetivo embebidas. Genere código C/C++ optimizado a partir de modelos entrenados o integre modelos entrenados en flujos de trabajo de Simulink.

Documentación | Ejemplos

Gráfica de coeficientes de regresión por mínimos cuadrados parciales que muestra la importancia de los predictores en distintas características.

Ingeniería de características

Extraiga, transforme y seleccione características para mejorar el rendimiento predictivo. Aplique técnicas de reducción de dimensionalidad, como PCA, y selección de características para identificar las entradas más informativas para el modelado.

Documentación | Ejemplos

Cadena de tareas de Machine Learning para componentes de flujo de trabajo de clasificación.

Cadenas de tareas de Machine Learning

Defina flujos de trabajo que combinen preprocesamiento, selección de características y entrenamiento de modelos en cadenas de tareas reutilizables. Estandarice experimentos, reduzca pasos manuales y despliegue flujos de trabajo coherentes en distintos equipos de trabajo y aplicaciones.

Documentación | Ejemplos

Recursos del producto:

Documentación Ejemplos Vídeos Requisitos Notas de la versión

MedImmune automatiza y acelera el análisis de datos de citometría de flujo

“Soy mucho más eficiente con MATLAB que con una alternativa de código abierto. En solo tres semanas, desarrollé y desplegué software de análisis en MATLAB que ya ha ahorrado miles de horas de trabajo al personal de investigación de MedImmune”.

Más casos prácticos

Preguntas frecuentes sobre Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox ofrece funciones y apps para describir, analizar y modelar datos utilizando estadística descriptiva, visualizaciones, agrupación en clusters, distribuciones de probabilidad, pruebas de hipótesis y algoritmos de Machine Learning supervisado, semisupervisado y no supervisado.

Puede entrenar modelos de manera interactiva con las apps Classification Learner y Regression Learner, o bien mediante programación con AutoML, utilizando algoritmos como regresión lineal, máquinas de vectores de soporte, árboles de decisión potenciados y redes neuronales superficiales.

La toolbox ofrece regresión lineal, modelos lineales generalizados (de Poisson y logísticos, entre otros), regresión no lineal, modelos de efectos mixtos para datos agrupados o jerárquicos, y regresión de procesos gaussianos. Puede realizar selección de variables por pasos, regularización con Lasso y Ridge, y regresión logística multinomial para resultados multiclase.

La toolbox ofrece K-means, agrupación en clusters jerárquica, modelos de mezcla gaussiana, DBSCAN, agrupación en clusters espectral y otros métodos para identificar patrones, determinar el número óptimo de clusters y detectar anomalías o valores atípicos.

La toolbox incluye más de 25 distribuciones de probabilidad integradas (como normal, Weibull, gamma, beta, lognormal, entre muchas otras) que puede ajustar a datos utilizando fitdist o la app interactiva Distribution Fitter. También puede crear y ajustar distribuciones personalizadas aplicando estimación de máxima verosimilitud, comparar ajustes utilizando criterios de información y trabajar con datos censurados para análisis de supervivencia y fiabilidad.

Puede generar código C/C++ portable para despliegue embebido con MATLAB Coder, utilizar bloques de Simulink nativos para simulaciones y diseño basado en modelos, o compilar código de MATLAB con MATLAB Compiler para entornos de TI.

Statistics and Machine Learning Toolbox ofrece un entorno unificado, desde análisis exploratorio hasta despliegue en producción, en un único producto probado y documentado. Entre los principales elementos diferenciadores se incluyen apps guiadas interactivas para principiantes, generación de código C/C++ para despliegue embebido con MATLAB Coder e integración directa con Simulink para diseño basado en modelos. Las alternativas de código abierto como Python y R ofrecen opciones gratuitas con soporte de la comunidad usuaria, pero suelen requerir que se combinen múltiples paquetes y no ofrecen rutas equivalentes para generar código embebido o integrar simulaciones.

Puede realizar pruebas t, pruebas de distribución, pruebas no paramétricas, ANOVA, análisis de covarianza, ANOVA de mediciones repetidas, y pruebas de autocorrelación, aleatoriedad y comparaciones de distribuciones.

Sí. Puede utilizar apps interactivas como Distribution Fitter para ajustar distribuciones de probabilidad a datos, y Classification Learner y Regression Learner para entrenar, comparar y validar modelos de Machine Learning, todo ello sin necesidad de escribir código.

Prueba gratuita de Statistics and Machine Learning Toolbox

Descubra nuestros productos.

Comience ahora

¿Tiene interés en comprar?

Obtenga información sobre precios y explore productos relacionados.

Consulte precios Comuníquese con ventas

¿Es estudiante?

Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.

Obtenga MATLAB