Statistics Toolbox

새로운 기능

R2014a (버전 9.0)

출시 일자: 2014년 3월 6일

2014a의 일부인 Version 9.0에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 모델 객체에 대한 다중 측정을 사용하는 데이터 반복 측정 모델링
  • 이진 분류에 대한 SVM(support vector machines)의 성능을 향상하는 fitcsvm 함수
  • 클러스터 개수와 격차 기준 시뮬레이션 횟수를 늘려주는 evalclusters 메서드
  • multcompare 함수에서 p-value 출력
  • mnrfit, lassoglmfitglm 함수의 결과값을 범주형 변수로 출력
  • 함수가 table 입력을 dataset 변수 입력에 대한 대안으로 허용
  • 함수 및 모델 속성이 dataset 변수가 아닌 table을 반환

자세한 내용은 Release Notes를 참조하십시오.

지금 업데이트하십시오!

이전 버전

R2013b (버전 8.3) - 2013년 9월 5일

2013b의 일부인 Version 8.3에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 선형 mixed-effects 모델
  • 확률 분포와 기술 통계 함수를 위한 코드 생성(MATLAB Coder 사용)
  • 데이터에서 최적 클러스터 수를 추정하기 위한 evaluatecluster 함수
  • Y에 여러 열이 있어도 이제는 디자인 행렬을 수용하는 mvregress 함수
  • 누적 밀도 함수를 위한 upper tail 확률 계산

자세한 내용은 Release Notes를 참조하십시오.

R2013a (버전 8.2) - 2013년 3월 7일

2013a의 일부인 Version 8.2에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 이진 분류를 위한 SVM(Support Vector Machine)(이전에는 Bioinformatics Toolbox에 포함)
  • 누락된 데이터를 통한 주 구성요소 분석을 위한 확률적 PCA 및 교차 최소 제곱 알고리즘
  • Anderson-Darling 적합도 테스트
  • 다양한 차원의 의사 결정 나무 성능 개선 및 범주형 예측자
  • scatterhist 함수의 그룹화 및 커널 밀도 옵션

자세한 내용은 Release Notes를 참조하십시오.

R2012b (버전 8.1) - 2012년 9월 11일

2012b의 일부인 Version 8.1에는 다음과 같은 향상된 기능이 포함되어 있습니다.

  • 불균형 데이터, 희소 ensemble, 다중클래스 부스팅을 위한 부스팅 알고리즘과 자체 중단 기능
  • 단일 함수 형식을 유지하며 광범위한 모양을 표현할 수 있는 Burr 분포
  • 데이터 가져오기 툴을 이용한 데이터세트 array로 데이터 가져오기
  • NaN과 같은 누락 데이터, 가중 PCA로 처리 기능 추가 및 연산 알고리즘을 EIG 또는 SVD를 선택할 수 있는 PCA 함수 기능 향상
  • Parallel Computing Toolbox를 사용한 k-means clustering 속도 향상

자세한 내용은 Release Notes를 참조하십시오.

R2012a (버전 8.0) - 2012년 3월 1일

Version 8.0, part of Release 2012a, includes the following enhancements:

  • Enhanced interface for fitting, prediction, and plotting with linear, generalized linear, and nonlinear regression
  • Viewing, editing, and plotting dataset arrays in the MATLAB Variable Editor
  • Regularization and shrinkage for logistic regression and other generalized linear models
  • k-Nearest Neighbor classification
  • Random subspace ensembles for reducing data dimensionality, working with missing data, and estimating the importance of predictors
  • Linear discriminant analysis with regularization of the covariance matrix and thresholding of predictor differences

See the Release Notes for details.