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

目录

    • 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
      • 预测效果
      • 算法描述
      • 程序设计
      • 参考资料

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

你可能感兴趣的:(#,RF随机森林,分类预测,随机森林,分类预测,变量重要度衡量,RF)