代码：

%% 初始化数据 clc clear close all %%  导入数据 data = xlsread('数据集.xlsx','Sheet1','A1:F100');%导入数据库  %%  划分训练集和测试集 TE= randperm(100);%将数据打乱，重新排序；  PN = data(TE(1: 80), 1: 5)';%划分训练集输入 TN = data(TE(1: 80), 6)';%划分训练集输出  PM = data(TE(81: end), 1: 5)';%划分测试集输入 TM = data(TE(81: end), 6)';%划分测试集输出  %%  数据归一化 [pn, ps_input] = mapminmax(PN, 0, 1);%归一化到（0，1） pn=pn'; pm = mapminmax('apply', PM, ps_input);%引用结构体，保持归一化方法一致； pm=pm'; [tn, ps_output] = mapminmax(TN, 0, 1); tn=tn';  %%  模型参数设置及训练模型 trees = 100; % 决策树数目 leaf  = 5; % 最小叶子数 OOBPrediction = 'on';  % 打开误差图 OOBPredictorImportance = 'on'; % 计算特征重要性 Method = 'regression';  % 选择回归或分类 net = TreeBagger(trees, pn, tn, 'OOBPredictorImportance', OOBPredictorImportance,...       'Method', Method, 'OOBPrediction', OOBPrediction, 'minleaf', leaf); importance = net.OOBPermutedPredictorDeltaError;  % 重要性  %%  仿真测试 pyuce = predict(net, pm );  %%  数据反归一化 Pyuce = mapminmax('reverse', pyuce, ps_output); Pyuce =Pyuce';  %%  绘图 figure %画图真实值与预测值对比图 plot(TM,'bo-') hold on plot(Pyuce,'r*-') hold on legend('真实值','预测值') xlabel('预测样本') ylabel('预测结果') grid  on  figure % 绘制特征重要性图 bar(importance) legend('各因素重要性') xlabel('特征') ylabel('重要性')  %%  相关指标计算 error=Pyuce-TM; [~,len]=size(TM); R2=1-sum((TM-Pyuce).^2)/sum((mean(TM)-TM).^2);%相关性系数 MSE=error*error'/len;%均方误差 RMSE=MSE^(1/2);%均方根误差 disp(['测试集数据的MSE为：', num2str(MSE)]) disp(['测试集数据的MBE为：', num2str(RMSE)]) disp(['测试集数据的R2为：', num2str(R2)])     

数据部分截图

结果：



如有需要数据和代码压缩包请在评论区发邮箱留言，一般一天之内会发送，记得关注和点赞哦！！