为了提高随机森林数据的分类预测准确率，对随机森林中的树木个数和最小叶子点数参数利用生物地理学算法进行优化。
数据的来源是 UCI 数据库中的肿瘤数据。数据信息如下：data.mat 的大小为569*32。其中第2列为标签数据，包含两类标签。第3列到最后一列为特征数据。所以RF模型的数据输入维度为30;输出维度为1。
优化参数为RF中树木个数和最小叶子节点数。适应度函数为RF对训练集和测试集的预测错误率，错误率越低越好。
从结果看，改进随机森林明显优于基础随机森林
3.代码获取
为了提高随机森林数据的分类预测准确率，对随机森林中的树木个数和最小叶子点数参数利用生物地理学算法进行优化。
数据的来源是 UCI 数据库中的肿瘤数据。数据信息如下：data.mat 的大小为569*32。其中第2列为标签数据，包含两类标签。第3列到最后一列为特征数据。所以RF模型的数据输入维度为30;输出维度为1。
优化参数为RF中树木个数和最小叶子节点数。适应度函数为RF对训练集和测试集的预测错误率，错误率越低越好。
从结果看，改进随机森林明显优于基础随机森林
3.代码获取
