随机森林回归是一种基于集成学习的机器学习算法，它通过组合多个决策树来进行回归任务。随机森林的基本思想是通过构建多个决策树，并将它们的预测结果进行平均或投票来提高模型的准确性和鲁棒性。

以下是随机森林回归的主要特点和步骤：

1. 决策树的构建： 随机森林由多个决策树组成。每个决策树都是通过对原始数据进行有放回的随机抽样（bootstrap抽样）来训练的。此外，在每次分裂节点时，算法随机选择一个特征子集进行分裂，以增加模型的多样性。

2. 预测过程： 对于回归任务，随机森林中的每个决策树都会输出一个预测值。最终的随机森林预测结果是这些预测值的平均值。

3. 超参数调优： 随机森林有一些重要的超参数，如树的数量、每棵树的最大深度、特征子集的大小等。通过交叉验证等方法，可以调整这些超参数以优化模型性能。

4. 特征重要性： 随机森林可以提供每个特征对于模型预测的重要性程度。这对于理解模型和特征选择非常有帮助。

5. 抗过拟合： 随机森林具有较好的抗过拟合能力，因为每个决策树都是在不同的数据子集上训练的，且通过随机选择特征子集来减少相关性。

   In=ques2c(:,2:7);
   Out=ques2c(:,1);;
   %此处未进行归一化，切记，使用归一化的数据进行训练，后面要记得反归一化，且数据多处进行归一化，不可遗漏
   nTree = 100;%树的个数
   %训练模型
   Factor = TreeBagger(nTree, In, Out,'Method','regression','OOBpredictorImportance','on','MinLeafSize',5);%
   %性能评估，k-fold交叉验证法
   subplot(121)
   [Predict_label,Scores] = predict(Factor, In);
   plot(Out,Out,'LineWidth',3);
   hold on
   scatter(Out,Predict_label,'filled');
   xlabel('Real temp')
   ylabel('Predict temp')
   hold off
   grid on
   subplot(122)
   plot(Factor.oobError,'LineWidth',2);
   xlabel('Number of grown trees')
   ylabel('Out-of-bag classification error')
   grid on
   %%
   view(Factor.Trees{1},'Mode','graph')
   %变量重要性直方图
   weights=Factor.OOBPermutedVarDeltaError;
   %重要性降序barh(weights)
   set(gca,'yticklabels',{'CO? emission','NOx emission','SO? emission','VOCs emission','CO? concentration','Population'})
   xlabel('Weights')
   ylabel('Index')
   %误差变化图
   figure
   plot(Factor.oobError,'LineWidth',2);
   xlabel('生长树数量','FontSize',30)
   ylabel('袋外错误率','FontSize',30)
   title('袋外错误率','FontSize',30)
   set(gca,'FontSize',16)
   set(gca,'LineWidth',2);   
   grid on
   % 计算R方值
   SSR = sum((Predict_label - mean(y_test)).^2);
   SST = sum((y_test - mean(y_test)).^2);
   R_squared = 1 - SSR/SST;
   % 打印R方值
   disp(['R方值为: ', num2str(R_squared)]);