随机森林算法matlab代码

由于随机森林算法需要训练集和测试集，以及数据集的具体属性，因此无法提供通用的Matlab代码。以下是随机森林算法的基本流程和Matlab代码示例：

1. 随机森林算法基本流程：

（1）从原始数据集中使用bootstrap法抽取n个样本，作为新的训练集；
（2）随机选择m个特征，根据这些特征建立一棵决策树；
（3）重复步骤（1）和（2），建立多棵决策树；
（4）对于新的数据，将它输入到每一棵决策树中，得到每棵树的输出结果，最终的分类结果由所有树的输出结果投票决定。

2. Matlab代码示例：

下面是一个使用Matlab实现随机森林算法的简单示例：

% 导入数据
load fisheriris
X = meas;
Y = species;

% 将类别转化为数字
Y_num = grp2idx(Y);

% 划分数据集
[trainInd,valInd,testInd] = dividerand(size(X,1),0.7,0.15,0.15);
X_train = X(trainInd,:);
Y_train = Y_num(trainInd,:);
X_val = X(valInd,:);
Y_val = Y_num(valInd,:);
X_test = X(testInd,:);
Y_test = Y_num(testInd,:);

% 训练随机森林
B = TreeBagger(50,X_train,Y_train,'Method','classification',...
'NumPredictorsToSample','all','OOBPredictorImportance','on');
% 预测
[Y_val_pred,scores] = predict(B,X_val);
Y_val_pred = str2double(Y_val_pred);

% 测试
[Y_test_pred,scores] = predict(B,X_test);
Y_test_pred = str2double(Y_test_pred);

% 评估模型
accuracy_val = sum(Y_val_pred==Y_val)/length(Y_val);
accuracy_test = sum(Y_test_pred==Y_test)/length(Y_test);

disp(['Validation accuracy: ',num2str(accuracy_val)])
disp(['Test accuracy: ',num2str(accuracy_test)])