基于Matlab的随机森林算法实现（附算法介绍及代码详解）

本算例完整代码领取方式在文末展示~

一、内容提要

在地学领域中，岩性的准确识别对于储层评价来说至关重要。因此，今天笔者想要分享的是随机森林算法在岩性识别中的应用与代码实现。

科普中国·科学百科定义：随机森林（Random forest）指的是利用多棵树对样本进行训练并预测的一种分类器。

通俗地来讲，随机森林算法从属于机器学习，它可以高效地实现以分类为目的的计算过程。下面来看一下随机森林的主要优点[1]：

(1) 可产生 高准确度的分类器；
(2) 处理 大量的输入变量；
(3) 在判断类别时，可以 考虑变量的重要性；
(4) 对 变量类型十分友好，可以处理离散型也可以处理连续型数据，且如果有一部分资料遗失，仍然可以保证计算的准确度；
(5) 训练 速度快。

因此，在本文中笔者将随机森林算法应用在基于测井数据的岩性分类计算上，以此提升复杂地质因素影响下的岩性识别效率与准确度。

以下分为三个部分进行讲解，包括算法简介、实例计算与代码解读。

二、算法简介

2.1 随机森林

随机森林算法的名称-Random Forest清晰地表示出这个过程是通过随机的方式形成了由多个决策树组成的一片森林。当新样本做为数据输入进入到构建完成的森林时，森林中的每一棵决策树就会分别进行判断，来识别这个样本所属的类别；再统计哪一类别被判定的最多，就预测这个样本为此类别。

此处分享一个较为生动的例子来帮助大家理解：某学校进行奖学金评选，如果只有一个老师（单一决策树）来决定奖学金的归属可能产生不公正现象（过拟合现象），但是随机选取多个老师组成评审委员会（随机森林）一起进行筛选（集成），然后进行投票得出最佳选举结果（拟合），就会较为公正。

2.2 决策树

因为随机森林由多个决策树构成，所以理应先掌握决策树（Decision Tree）的相关知识。

科普中国·科学百科定义：决策树是一种基本的分类器