连续随机森林Python 对连续变量使用多处理的随机森林。

主要利用R语言进行随机森林回归，还有其他两种回归， library(lattice) library(grid) library(DMwR) library(rpart) library(ipred) library(randomForest) #回归树，装袋算法，随机森林三大回归 #前二种算法可以计算缺失数据，但随机森林不行，所以还需将数据进行清洗整理 data(algae) algae <- algae[-manyNAs(algae,0.2), ]#占有20%的NA值的行去掉 clean.algae <- knnImputation(algae,k=10)#平均值填充NA值 #回归树模型计算 model.tree=rpart(a1 ~ ., data = clean.algae[, 1:12]) summary(model.tree) pre.tree <- predict(model.tree, clean.algae) plot(pre.tree~clean.algae$a1) nmse1 <- mean((pre.tree- clean.algae[,'a1'])^2)/mean((mean(clean.algae[,'a1'])- clean.algae[,'a1'])^2) nmse1

森林资源大数据可视化探索.ppt

森林可视化模型模拟技术 - 大数据可视化之路.ppt

通过网络公开数据整理出来的。2019年公布的897个国家级森林公园的shpaefile文件，包括名称、经纬度、批复时间、地址。

负荷预测算法 使用多种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）进行电力系统负荷预测/电力预测。通过一个简单的例子。各种算法（线性回归，随机森林，支持向量机，BP神经网络，GRU，LSTM）用于电力系统负荷预测/电力预测。

HMW8卫星的随机森林降雨估算 使用随机森林，从himawari-8卫星多波段数据估算雨量 模型随机森林机器学习 数据未上传是因为数据过大且保密，因为它具有处理数据的低谷。 如果您有兴趣并想查看数据，可以给我发邮件： 使用的数据IR波段Himawari 8空间分辨率：2kmx2km时间分辨率：所有波段的10分钟组合。 9段+ 36分割窗口。 在一年八月2018-七月2019 在ftp://hmwr829gr.cr.chiba-u.ac.jp/gridded/FD/V20151105/免费下载 GPM DPR KuPR空间分辨率：5.2公里x 5.2公里，可从免费下载 假设在相似的大气条件下克服万隆盆地的数据局限性，通过将数据收集扩展到Java岛的一个岛屿来进行数据采样。 该算法使用具有多个阶段的随机森林模型，即 对降雨区域进行分类对降雨回归的类型进行分类以获得降雨值。 万隆盆地有3个

随机森林分类方法的matlab代码实现，包括分类、重要度打分和回归。

用vs2008编写的c++版本的random forest。基于决策树c4.5模型设计，并配有两个简单的分类实例。

随机森林算法是基于决策树而来。主要有两方面的问题：一是，在决策树中基于同样的数据，同样的特征，按照同样的决策树算法，只能建一颗树，同样的树复制上千万次没有意义，所以建立随机森林的第一个问题就是---怎么建立不同的树。二是，如果建立了不同的树组成的森林后，每个树都会得到自己的分类结果，如何从每棵树的各自决策下得到总体最终的结果