随机森林多输入多输出回归预测MATLAB代码,并举例

以下是一个随机森林多输入多输出回归预测的MATLAB代码示例，同时提供一个简单的例子：

假设我们有一个数据集，其中包含三个输入变量（x1，x2和x3）和两个输出变量（y1和y2）。我们要使用这个数据集来训练一个随机森林回归模型，并使用该模型对一个新样本进行预测。

数据集可以存储在一个MATLAB结构体中，其中每个字段代表一个变量。我们使用rand函数生成一个随机数据集，包含100个样本：

data = struct();
data.x1 = rand(100,1);
data.x2 = rand(100,1);
data.x3 = rand(100,1);
data.y1 = rand(100,1);
data.y2 = rand(100,1);

接下来，我们将数据集划分为训练集和测试集。我们使用cvpartition函数将数据集分为80%的训练集和20%的测试集：

cv = cvpartition(100,'HoldOut',0.2);
idxTrain = cv.training;
idxTest = cv.test;

然后，我们使用TreeBagger函数来训练一个随机森林回归模型。我们指定100棵树，并将输入和输出变量作为输入参数传递给函数：

nTrees = 100;
Mdl = TreeBagger(nTrees,data{idxTrain,[1:3]},data{idxTrain,[4:5]},'Method','regression');

在这个例子中，我们使用了MATLAB的花括号语法来选择数据集的子集。我们使用idxTrain逻辑数组索引数据集的行，并选择第1到3列作为输入变量，选择第4和5列作为输出变量。

现在我们可以使用模型对测试集进行预测。我们使用predict函数来计算预测值，并将其存储在一个结果变量中：

YtestPred = predict(Mdl,data{idxTest,[1:3]});

最后，我们可以计算预测误差，并将其打印出来：

RMSE1 = sqrt(mean((data.y1(idxTest) - YtestPred(:,1)).^2));
RMSE2 = sqrt(mean((data.y2(idxTest) - YtestPred(:,2)).^2));
fprintf('RMSE1 = %f, RMSE2 = %f\n',RMSE1,RMSE2);

在这个例子中，我们计算了两个输出变量的预测误差，并将其打印出来。