随机森林分类评价的matlab代码

下面是一个简单的随机森林分类评价的 Matlab 代码示例：

% 假设已经使用随机森林分类器进行分类，并得到预测结果和真实标签
predicted_labels = randforest_classifier.predict(test_data);
true_labels = test_labels;

% 计算混淆矩阵
confusion_matrix = confusionmat(true_labels, predicted_labels);

% 计算分类准确率
accuracy = sum(diag(confusion_matrix)) / sum(confusion_matrix(:));

% 计算其他评价指标，如精确率、召回率和 F1 值
precision = diag(confusion_matrix) ./ sum(confusion_matrix, 2);
recall = diag(confusion_matrix) ./ sum(confusion_matrix, 1)';
f1_score = 2 * precision .* recall ./ (precision + recall);

% 打印结果
fprintf('Classification accuracy: %.4f\n', accuracy);
fprintf('Precision for each class: %s\n', num2str(precision));
fprintf('Recall for each class: %s\n', num2str(recall));
fprintf('F1 score for each class: %s\n', num2str(f1_score));

这段代码假设已经使用 `randforest_classifier` 对测试数据 `test_data` 进行分类，并得到了预测结果 `predicted_labels` 和真实标签 `true_labels`。然后，使用 Matlab 自带的 `confusionmat` 函数计算混淆矩阵，然后根据混淆矩阵计算分类准确率、精确率、召回率和 F1 值。最后，将结果打印出来。请注意，这只是一个简单的示例代码，实际情况可能需要根据具体需求进行修改。