下面是一个简单的随机森林算法的示例代码:
matlab
% 1. 准备训练数据和标签
load fisheriris
X = meas; % 特征矩阵
Y = zeros(size(species,1),1); % 创建标签矩阵
Y(strcmp(species,‘setosa’)) = 1; % 将setosa类别标签设为1
Y(strcmp(species,‘versicolor’)) = 2; % 将versicolor类别标签设为2
Y(strcmp(species,‘virginica’)) = 3; % 将virginica类别标签设为3
% 2. 设置随机森林的参数
numTrees = 100; % 随机森林中树的数量
numFeatures = 2; % 每棵树使用的特征数量
maxDepth = 5; % 每棵树的最大深度
% 3. 构建随机森林
forest = cell(numTrees, 1); % 创建一个空的随机森林
for i = 1:numTrees
% 随机选择特征
selectedFeatures = datasample(1:size(X,2), numFeatures, ‘Replace’, false);
% 随机选择样本
selectedSamples = datasample(1:size(X,1), size(X,1), ‘Replace’, true);
% 构建决策树
tree = fitctree(X(selectedSamples,selectedFeatures), Y(selectedSamples), ‘MaxNumSplits’, maxDepth);
forest{i} = tree; % 将决策树添加到随机森林中
end
% 4. 预测
testData = [5.1, 3.5, 1.4, 0.2]; % 待预测的数据
predictions = zeros(numTrees, 1); % 用于存储每棵树的预测结果
for i = 1:numTrees
tree = forest{i};
predictions(i) = predict(tree, testData(selectedFeatures));
end
% 5. 统计预测结果
prediction = mode(predictions); % 使用投票的方式得到最终预测结果
if prediction == 1
disp(‘预测结果:setosa’);
elseif prediction == 2
disp(‘预测结果:versicolor’);
elseif prediction == 3
disp(‘预测结果:virginica’);
end
这段代码使用了Matlab的fitctree函数构建决策树,并将多棵决策树组合成随机森林进行预测。你可以根据自己的需求修改参数和数据,适应不同的情况。