随机森林交叉验证代码MATLAB

以下是MATLAB中使用交叉验证进行随机森林分类的代码：

load fisheriris % 加载鸢尾花数据集
X = meas; % 特征矩阵
Y = species; % 标签向量
rng('default'); % 设定随机数种子，确保结果可重复
B = TreeBagger(50,X,Y,'OOBPrediction','On'); % 建立50棵树的随机森林模型
oobErr = oobError(B); % 计算袋外误差
plot(oobErr) % 绘制袋外误差曲线
xlabel('Number of grown trees');
ylabel('Out-of-bag classification error');

以上代码中，我们使用了MATLAB自带的鸢尾花数据集作为示例数据。首先，我们将特征矩阵和标签向量分别赋值给X和Y变量。接着，我们设定随机数种子，以确保结果可重复。然后，我们使用TreeBagger函数建立50棵树的随机森林模型，并开启袋外预测选项。最后，我们计算并绘制袋外误差曲线，以评估模型的性能。

如果需要使用交叉验证进行模型选择，可以使用MATLAB自带的cvpartition函数来划分数据集，并参考以下代码：

load fisheriris % 加载鸢尾花数据集
X = meas; % 特征矩阵
Y = species; % 标签向量
rng('default'); % 设定随机数种子，确保结果可重复
c = cvpartition(Y,'KFold',10); % 10折交叉验证
for i = 1:c.NumTestSets
    trIdx = c.training(i);
    teIdx = c.test(i);
    B = TreeBagger(50,X(trIdx,:),Y(trIdx),'OOBPrediction','On'); % 建立50棵树的随机森林模型
    oobErr(i) = oobError(B); % 计算袋外误差
end
mean(oobErr) % 计算平均袋外误差

以上代码中，我们使用cvpartition函数将数据集划分为10折，并利用循环进行交叉验证。在每次循环中，我们使用TreeBagger函数建立50棵树的随机森林模型，并开启袋外预测选项。然后，我们计算袋外误差，并将其存储在oobErr向量中。最后，我们计算平均袋外误差，以评估模型的性能。