1 内容介绍
1.1.1 基本单元—决策树
决策树是广泛用于分类和回归任务的模型，因其结构呈树形，故称决策树. 学习决策树，本质上讲就是学习一系列if/else问题，目标是通过尽可能少的if/else问题来得到正确答案，我们从这些一层层的if/else问题中进行学习并以最快的速度找到答案.
1.1.2 集成学习
集成学习是合并多个机器学习模型来构建更强大模型的方法. 目前，集成学习主要有两大流派（bagging派系和boosting派系），其中boosting派系的代表算法主要有AdaBoost算法、梯度提升机（GBDT）和极限提升机（XGBoost），而本文中选择的随机森林是属于 bagging 派系的典型代表，其算法描述在表1中给出，从本质上讲就是许多决策树的集合，其中每棵树都和其他树略有不同.
对于分类问题，随机森林中的每棵树都是一个分类器，也就是说，每棵树做出一个分类结果，随机森林集成了所有树的分类投票结果且结果的投票是等权的，即对所有的投票取平均值，并将投票次数最多的结果作为输出.
2 仿真代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(103);
P_train = res(temp(1: 80), 1: 7)';
T_train = res(temp(1: 80), 8)';
M = size(P_train, 2);
P_test = res(temp(81: end), 1: 7)';
T_test = res(temp(81: end), 8)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% 转置以适应模型
3 运行结果
4 参考文献
[1]张涛. 基于随机森林和支持向量机在小麦种子分类中的比较研究[J]. 河西学院学报, 2020, 36(2):8.
