matlab实现随机森林回归预测

以下是使用MATLAB实现随机森林回归预测的步骤：

1. 导入数据：将输入特征和输出变量的数据导入MATLAB工作空间。

2. 准备训练集和测试集：将数据划分为训练集和测试集，通常采用70%的数据作为训练集，30%的数据作为测试集。

3. 构建随机森林模型：使用MATLAB中的TreeBagger函数构建随机森林模型。TreeBagger函数可以指定决策树的数量、特征选择方法等参数。

4. 训练模型：使用训练集数据训练随机森林模型。

5. 预测：使用测试集数据对模型进行预测，得到预测结果。

6. 评估模型性能：使用评估指标（如均方误差、决定系数等）评估模型的性能。

以下是一个MATLAB实现随机森林回归预测的示例代码：

% 导入数据
data = readmatrix('data.csv'); % 假设数据保存在data.csv文件中
X = data(:, 1:7); % 输入特征
Y = data(:, 8); % 输出变量

% 划分训练集和测试集
cv = cvpartition(size(data, 1), 'HoldOut', 0.3);
X_train = X(training(cv), :);
Y_train = Y(training(cv), :);
X_test = X(test(cv), :);
Y_test = Y(test(cv), :);

% 构建随机森林模型
numTrees = 100; % 决策树数量
model = TreeBagger(numTrees, X_train, Y_train);

% 预测
Y_pred = predict(model, X_test);

% 评估模型性能
mse = mean((Y_test - str2double(Y_pred)).^2); % 均方误差
r2 = 1 - sum((Y_test - str2double(Y_pred)).^2) / sum((Y_test - mean(Y_test)).^2); % 决定系数

% 显示结果
disp(['均方误差：', num2str(mse)]);
disp(['决定系数：', num2str(r2)]);

请注意，上述代码仅为示例，实际使用时需要根据具体数据和需求进行调整。