随机森林matlab分类例子 代码

随机森林(Random Forest)是一种常用的机器学习算法，可以用于分类和回归问题。在MATLAB中，我们可以使用Statistics and Machine Learning Toolbox中的TreeBagger函数来实现随机森林分类。

下面是一个使用MATLAB进行随机森林分类的例子代码：

% 准备数据集
load fisheriris
X = meas; % 特征矩阵
Y = species; % 目标变量（类别）

% 创建随机森林分类器
numTrees = 100; % 决策树数量
rng(1); % 设置随机种子，保证结果可重复
RFModel = TreeBagger(numTrees, X, Y);

% 预测新样本
newData = [5, 3.5, 1.5, 0.2];
predictedClass = predict(RFModel, newData);

disp(['预测结果：', predictedClass]);

在上述代码中，首先我们加载了一个经典的鸢尾花数据集，其中包含了150个样本和4个特征。然后，我们将特征矩阵`meas`赋值给变量`X`，将目标变量数组`species`赋值给变量`Y`。

接下来，通过调用`TreeBagger`函数，我们创建了一个包含100个决策树的随机森林分类器`RFModel`。这里我们使用了默认的参数设置，但你可以根据实际需求来调整参数。

最后，我们使用新样本`newData`进行预测。`predict`函数将返回预测结果，即该新样本的类别。

需要注意的是，随机森林算法基于随机抽样和决策树进行集成学习，因此每次运行结果可能会有所不同。为了保证结果的可重复性，我们通过`rng(1)`设置了随机种子。

希望以上代码对你理解随机森林的MATLAB实现有所帮助！