使用matlab随机森林计算特征的重要性排序代码 特征有250行 16列 最后一列为目标变量

以下是使用MATLAB随机森林计算特征重要性排序的示例代码：

% 读取数据
data = csvread('data.csv');
X = data(:, 1:end-1);
Y = data(:, end);

% 构建随机森林模型
numTrees = 100; % 树的数量
opts = statset('UseParallel',true); % 并行计算
rf = TreeBagger(numTrees, X, Y, 'OOBPrediction','on', 'Options',opts);

% 计算特征重要性
imp = rf.OOBPermutedVarDeltaError; % 计算特征的重要性
[sortedImp, idx] = sort(imp, 'descend'); % 按重要性排序
fprintf('特征重要性排序：\n');
for i = 1:length(sortedImp)
    fprintf('%d. 特征%d: %.4f\n', i, idx(i), sortedImp(i));
end

在上面的代码中，首先读取包含250行16列数据的CSV文件。然后使用TreeBagger函数构建随机森林模型，并指定树的数量为100。通过设置statset函数的UseParallel参数为true，可以在多个CPU核心上并行计算，提高计算速度。在构建模型时，使用OOBPrediction参数来计算袋外误差（out-of-bag error），并保存每个特征的重要性。最后，将特征按重要性排序，并输出结果