matlab实现随机森林算法

以下是 MATLAB 实现随机森林算法的基本步骤：

1. 准备数据集：从数据集中选择一定数量的样本，每个样本包含多个特征。

2. 构建决策树：使用随机数据子集和随机特征子集构建多个决策树。

3. 组合决策树：使用 bagging 方法（即投票）将多个决策树组合成一个随机森林模型。

4. 预测：将测试数据输入到随机森林模型中，通过投票来决定测试数据所属的类别。

下面是一个简单的 MATLAB 代码示例：

% 准备数据集
load fisheriris
X = meas(:,1:2);
Y = species;

% 构建随机森林
numTrees = 100; % 树的数量
numFeatures = 2; % 每个决策树使用的特征数量
B = TreeBagger(numTrees, X, Y, 'NumPredictorsToSample', numFeatures);

% 预测
testX = [5 3; 6 4];
predict(B, testX)

在此示例中，我们使用鸢尾花数据集中的前两个特征，构建了一个包含 100 个决策树的随机森林模型。然后，我们使用 `predict` 函数对测试数据进行预测。