用matlab写一个随机森林预测模型并画图

当使用 MATLAB 构建随机森林预测模型后，你可以使用以下示例代码来绘制模型的决策边界图：

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

% 划分数据集为训练集和测试集
cv = cvpartition(Y, 'HoldOut', 0.2);
idx = cv.test;

Xtrain = X(~idx, :);
Ytrain = Y(~idx, :);
Xtest = X(idx, :);
Ytest = Y(idx, :);

% 构建随机森林模型
numTrees = 100;
Mdl = TreeBagger(numTrees, Xtrain, Ytrain);

% 预测测试集数据
Ypred = predict(Mdl, Xtest);

% 绘制决策边界图
x1range = min(X(:, 1)):0.01:max(X(:, 1));
x2range = min(X(:, 2)):0.01:max(X(:, 2));
[X1, X2] = meshgrid(x1range, x2range);
XGrid = [X1(:), X2(:)];
YGrid = predict(Mdl, XGrid);

figure;
gscatter(XGrid(:, 1), XGrid(:, 2), YGrid, 'rgb', '.', 20);
hold on;
gscatter(Xtest(:, 1), Xtest(:, 2), Ytest, 'k', 'o', 8);
title('随机森林决策边界图');
xlabel('特征1');
ylabel('特征2');
legend('决策边界', '测试样本');

这段代码首先加载了 Fisher's Iris 数据集，并选择其中的前两个特征作为输入特征 X。然后，将数据集划分为训练集和测试集。接下来，使用 `TreeBagger` 函数构建了一个由 100 棵决策树组成的随机森林模型，并预测测试集数据。

为了绘制决策边界图，我们首先定义了一个网格，覆盖了特征空间的范围。然后，使用训练好的模型对网格中的数据点进行预测，并根据预测结果绘制出决策边界。最后，将测试集数据点绘制在图上，以便观察模型的性能。

希望这个示例对你有帮助！如果有任何问题，请随时提问。