MATLAB初学者入门（15）—— 随机森林

        随机森林是一种强大的机器学习方法，基于多个决策树的训练结果进行集成学习，以提高整体的预测准确性和稳定性。这种方法不仅适用于分类问题，也非常适合于回归问题。MATLAB中的Statistics and Machine Learning Toolbox提供了易于使用的随机森林实现，可以通过TreeBagger类来调用。

案例分析：使用随机森林进行分类

        假设我们需要对生物物种进行分类，基于一系列生态特征来确定物种类别。我们将使用随机森林模型来完成这一任务。

步骤 1: 准备数据

        首先，我们加载和准备数据。假设我们有一些生态数据，包括多个特征，如体重、长度和高度等，以及相应的物种标签。

% 假设数据已经加载到以下变量中
features = [5.1, 3.5, 1.4, 0.2; 4.9, 3.0, 1.4, 0.2; 6.7, 3.1, 4.4, 1.4; ...];
labels = {'species1', 'species1', 'species2', ...};  % 类别标签

% 将文本标签转换为分类变量
labels = categorical(labels);

步骤 2: 训练随机森林模型

        使用MATLAB的TreeBagger函数创建和训练随机森林模型。可以指定树的数量、样本用于训练的比例和其他参数。

% 创建随机森林模型，100棵树
rng(1); % For reproducibility
model = TreeBagger(100, features, labels, 'OOBPrediction', 'On', 'Method', 'classification');

% 查看OOB误差
oobError = oobError(model);
figure;
plot(oobError);
xlabel('Number of Grown Trees');
ylabel('Out-of-Bag Classification Error');
title('OOB Error Rate Across Trees');

步骤 3: 预测新数据

        使用训练好的模型对新数据进行预测。