Matlab TreeBagger实战：用随机森林预测房价的5个关键步骤（附完整代码）

Matlab TreeBagger实战：用随机森林预测房价的5个关键步骤（附完整代码）

如果你正在寻找一种既强大又相对容易上手的机器学习工具来处理回归问题，比如预测房价，那么Matlab的TreeBagger绝对值得你花时间深入了解。它不像一些开源库那样需要处理复杂的依赖和环境配置，在Matlab的生态里，它提供了一个封装良好、功能齐全的随机森林实现。对于数据分析师、工程师或者科研人员来说，这意味着你可以将更多精力放在理解数据、调优模型和解读结果上，而不是纠结于代码的底层实现。这篇文章，我将以一个经典的波士顿房价数据集为例，手把手地带你走完从数据准备到模型评估的完整流程。我会分享一些我在实际项目中调整参数、避免过拟合以及解读模型输出的具体经验，希望能帮你绕过我当初踩过的一些坑。

1. 环境准备与数据理解

在动手写任何代码之前，我们得先确保工具箱齐备，并对要处理的数据有个清晰的认识。Matlab的统计和机器学习工具箱（Statistics and Machine Learning Toolbox）是使用TreeBagger的前提，请务必确认你的Matlab已经安装了这个工具箱。你可以通过 ver 命令在命令窗口查看已安装的产品列表。

接下来是数据。我们选用波士顿房价数据集，这几乎是机器学习入门回归问题的“Hello World”。它包含了波士顿周边506个区域的住房信息，每个区域有13个特征变量和1个目标变量（房屋中位数价格）。这些特征涵盖了犯罪率、房间数、到就业中心的距离等多个维度。

提示：虽然Matlab可能没有内置这个数据集，但我们可以从网络资源（如UCI机器学习仓库）轻松获取一个CSV或TXT格式的文件。请确保你使用的数据来源可靠。

加载数据后，第一步永远是“看”数据。这不是简单地运行 load，而是要进行探索性数据分析（EDA）。我们需要了解数据的结构、是否存在缺失值、特征的大致分布以及量纲差异。例如，犯罪率（CRIM）的数值范围可能从0.01到90，而“房间数”（RM）可能只在3到9之间。这种量级差异如果不处理，可能会影响基于距离计算的树模型分裂点选择。

% 假设数据已保存为 ‘boston_housing.csv‘
data = readtable(‘boston_housing.csv‘);
% 查看数据前几行、变量名和基本信息
head(data)
summary(data)

一个快速检查缺失值的方法：

% 检查每列是否有缺失值（NaN）
missing_values = sum(ismissing(data));
disp(‘各特征缺失值数量：‘);
disp(missing_values);

如果存在缺失值，TreeBagger本身不能直接处理。常见的处理方式包括删除含有缺失值的样本行，或者使用均值、中位数进行填充。对于房价预测这类问题，样本量本身不大，通常优先考虑填充而非删除。

2. 数据预处理与特征工程

原始数据很少能直接扔进模型并得到好结果。预处理和特征工程是提升模型性能的关键步骤，有时其贡献甚至超过模型算法本身的选择。

数据清洗与分割 首先，处理我们上一步发现的任何问题。假设我们选择用特征的中位数来填充缺失值：

% 假设 ‘AGE‘ 列有少量缺失值
median_age = median(data.AGE, ‘omitnan‘);
data.AGE(isnan(data.AGE)) = median_age;

接着，我们需要将数据集划分为训练集和测试集。这是一个必须的步骤，用于评估模型在未见过的数据上的泛化能力，防止“自娱自乐”。通常采用70%-30%或80%-20%的比例。

rng(123); % 设置随机种子，确保结果可复现
cv = cvpartition(height(data), ‘HoldOut‘, 0.3);
idx_train = training(cv);
idx_test = test(cv);

data_train = data(idx_train, :);
data_test = data(idx_test, :);

% 分离特征（X）和目标变量（y）
feature_names = data.Properties.VariableNames(1:end-1); % 假设最后一列是房价
X_train = data_train{:, 1:end-1};
y_train = data_train{:, end};
X_test = da