随机森林
所属分类：书籍源码
开发工具：matlab
文件大小：463KB
下载次数：6
上传日期：2020-07-05 20:39:15
上 传 者：
flysea
说明： 随机森林算法与 Bagging 算法类似，均是基于 Bootstrap 方法重采样，产生多个训练集。不同的是，随机森林算法在构建决策树的时候，采用了随机选取分裂属性集的方法
本程序中，将乳腺肿瘤病灶组织的细胞核显微图像的 10 个量化特征作为模型的输入，良性乳腺肿瘤和恶性乳腺肿瘤作为模型的输出。用训练集数据进行随机森林分类器的创建，然后对测试集数据进行仿真测试，最后对测试结果进行分析。
(Similar to bagging algorithm, random forest algorithm is based on bootstrap resampling to generate multiple training sets. The difference is that the random forest algorithm uses the method of randomly selecting the split attribute set when constructing the decision tree
In this program, 10 quantitative features of nuclear microscopic image of breast tumor tissue are taken as the input of the model, and the benign and malignant breast tumor are taken as the output of the model. The training set data is used to create the random forest classifier, then the test set data is simulated and the test results are analyzed.)
文件列表:
随机森林 (0, 2020-07-05)
随机森林\MexStandalone (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\Compile_Check (856, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\Makefile (2693, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\Makefile.windows (2523, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\Version_History.txt (1311, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\classRF_predict.m (2166, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\classRF_train.m (14829, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\compile_linux.m (557, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\compile_windows.m (1589, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\data (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\data\X_twonorm.txt (96300, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\data\Y_twonorm.txt (600, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\data\twonorm.mat (48856, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\mexClassRF_predict.mexw32 (20480, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\mexClassRF_train.mexw32 (32256, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub\linux64 (0, 2020-07-05)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub\win32 (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub\win32\rfsub.o (6848, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub\win64 (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\precompiled_rfsub\win64\rfsub.o (9840, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\rfsub.o (9840, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src (0, 2019-03-11)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\classRF.cpp (33889, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\classTree.cpp (8947, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\cokus.cpp (7678, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\cokus_test.cpp (1189, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\mex_ClassificationRF_predict.cpp (5225, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\mex_ClassificationRF_train.cpp (8545, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\qsort.c (4676, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\rf.h (5186, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\rfsub.f (15851, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\rfutils.cpp (9609, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\src\twonorm_C_wrapper.cpp (9865, 2013-09-02)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\tempbuild (0, 2020-07-05)
随机森林\MexStandalone\randomforest-matlab\RF_Class_C\test_ClassRF_extensively.m (604, 2013-09-02)
... ...
文件说明：
1. main.m为主程序，将该文件夹设置为MATLAB当前工作路径，运行即可。
2. data.mat为数据文件。
3. 在运行main.m文件前，需要安装好randomforest工具箱，具体而言，需要先运行mex -setup指令安装编译器（建议vs2005以上），然后运行 compile_windows.m文件即可。
4. 该程序在MATLAB2009a及2012b版本下测试通过，个别函数在低版本中不存在或者调用格式有所不同，参照对应版本中的帮助文档修改即可。
近期下载者：
相关文件：
收藏者：