目录
背影
摘要
随机森林的基本定义
随机森林实现的步骤
天鹰算法原理
基于天鹰算法优化随机森林的分类预测
完整代码下载链接： 基于天鹰算法改进的RF多分类代码，粒子群算法改进RF多分类代码，RB多分类代码，BP神经网络多分类代码资源-CSDN文库 https://download.csdn.net/download/abc991835105/88138322
效果图
结果分析
展望
参考论文

背影

传统的回归分析一般用最小二乘等进行拟合，局部优化能力有限，本文用随机森林进行回归分析，利用每个树的增强局部优化，从而更好的拟合自变量与因变量的关系，实现回归分析的提高
摘要
LSTM原理，MATALB编程长短期神经网络LSTM的飞行轨迹预测。

随机森林的基本定义

在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 “Random Forests” 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 “Bootstrap aggregating” 想法和 Ho 的"random subspace method"以建造决策树的集合。

训练方法

根据下列算法而建造每棵树 [1] ：
用N来表示训练用例（样本）的个数，M表示特征数目。
输入特征数目m，用