MATLAB实现随机森林多分类，输出训练集、测试集准确率，每类病灶的概率值prob_estimates，预测结果对比，混淆矩阵，召回率，精确率，ROC曲线

好的，我来回答你的问题。

首先，需要使用MATLAB中的随机森林分类器工具箱。具体步骤如下：

1. 加载数据集
首先需要加载用于训练和测试的数据集，并将其拆分为训练集和测试集。可以使用MATLAB中的crossvalind函数随机划分数据集。代码如下：

load data.mat  % 加载数据集
cv = cvpartition(size(data,1),'HoldOut',0.3);  % 30%的数据作为测试集
idx = cv.test;
dataTrain = data(~idx,:);
dataTest  = data(idx,:);

2. 训练随机森林分类器
使用fitensemble函数来训练随机森林分类器。代码如下：

numTrees = 100;  % 设置树的数量
Mdl = fitensemble(dataTrain(:,1:end-1),dataTrain(:,end),'Bag',numTrees,'Tree',...
    'Type','Classification');

3. 预测测试集
使用训练好的分类器对测试集进行预测，并计算准确率。代码如下：

predTest = predict(Mdl,dataTest(:,1:end-1));
accTest = sum(predTest == dataTest(:,end))/numel(dataTest(:,end));
disp(['测试集准确率：',num2str(accTest)]);

4. 计算每类病灶的概率值prob_estimates
使用predict函数可以得到每个测试样本属于每个类别的概率值。代码如下：

[~,scoreTest] = predict(Mdl,dataTest(:,1:end-1));
prob_estimates = scoreTest(:,2);  % 取第二列为阳性概率

5. 计算混淆矩阵、召回率、精确率和ROC曲线
使用confusionmat函数可以计算混淆矩阵，使用perfcurve函数可以绘制ROC曲线。代码如下：

C = confusionmat(dataTest(:,end),predTest);  % 混淆矩阵
recall = diag(C)./sum(C,2);  % 召回率
precision = diag(C)./sum(C,1)';  % 精确率

% 绘制ROC曲线
[X,Y,T,AUC] = perfcurve(dataTest(:,end),prob_estimates,1);
plot(X,Y)
xlabel('False positive rate')
ylabel('True positive rate')
title(['ROC curve (AUC = ' num2str(AUC) ')'])

希望这些代码可以帮助你实现随机森林多分类，并输出相关指标。