碳钢是目前应用最广泛的金属材料，为更深入揭示碳钢在自然大气环境下的腐蚀规律，通过历史积累的大气环境自然曝露试验数据开展全因素数据挖掘，数据环境因素涵盖污染物信息、气象因素等共26个因素。
本文引入遗传算法调优、随机森林特征选择和BP神经网络，提出了一种基于随机森林和BP神经网络集成的算法，用来提高腐蚀预测模型在全因素下的预测性能。用遗传算法对随机森林中决策树的深度和棵数进行组合优选，有效提高了随机森林模型的泛化性和预测性能。调优后的随机森林赋予了全因素下特征变量权重，实现了多维特征变量降维。随机森林初始的腐蚀预测结果和其选取的重要特征变量作为BP神经网络的输入变量可进一步提高模型的预测精度。使用均方根差RMSE和决定系数R²两个指标对最终预测结果进行了评价，结果显示随机森林、集成算法的RMSE和R²依次为0.0222、0.0121和0.9435、0.9832。从而得出结论：集成腐蚀预测模型具有泛化性更好、鲁棒性更高、预测结果更为精确的能力。
 

腐蚀,预测,数据挖掘,随机森林