代码：

<code>%% 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！！