分类预测 | MATLAB实现RF(随机森林)分类预测及变量重要度衡量

分类预测 | MATLAB实现RF(随机森林)分类预测及变量重要度衡量

基本介绍

随机森林（Random Forest，RF）算法由Leo Breiman和Adele Cutler提出，可以用来解决分类或回归等问题。

• 基本单元：决策树
• 思想：集成学习（Bagging）
• 优点：具有极好的准确率；能够有效地运行在大数据集上；能够处理具有高维特征的输入样本，而且不需要降维；能够评估各个特征在分类问题上的重要性；抗过拟合能力比较强；对于缺省值问题也能够获得很好得结果。
• 缺点：对于小数据或者低维数据（特征较少的数据），可能难以产生较好的分类；在解决回归问题时，并没有在分类中表现的那么好。

预测效果