我使用r自身所內建資料iris做說明,以利您可重複執行。代碼如下:
#隨機森林建構及預測步驟:
#1.叫入資料並進行資料切割
data=sample(nrow(iris),0.8*nrow(iris))  #抽取80%資料做訓練
train=iris[data,]  #訓練集
test=iris[-data,]  #測試集
#2.隨機森林建構
library(randomForest)
rf=randomForest(Species~.,data=train,ntree=100,proximity=T)
#3.模型表現
table(predict(rf),train$Species)        #訓練集混淆矩陣

table(predict(rf,newdata=test),test$Species)        #測試集混淆矩陣,predict即為預測,使用測試集做預測

A=predict(rf,newdata=test)        #預測結果
cbind("樣本"=rownames(test),"預測分類"=A,"實際分類"=test$Species)  #比較實際分類與預測分類

其中的test可改為您所說的新數據,即可進行預測。預測表現可看測試集混淆矩陣或自行繪製誤差圖或ROC圖等。

大神我是计算机小白，有些代码还看不大懂，实际操作过程也遇到了些问题，我的外部数据是一个22*1020的csv，其中一列为因变量。
我让您先看下我写的吧：
library(randomForest)
> GC <- read.csv("d:/nba.csv",header = TRUE)
>  GC_rf <- randomForest(人数.单位.万人次.~.,data = GC,keep.forest = TRUE,ntree = 500)
这里我引用的是外部数据，所以并不能直接使用data函数，这一步是请教别人的才把外部数据引入，所以这一步我对不上您写的iris数据集。还想请教怎么改正？

我所謂的iris是r自身所帶的數據，可直接讀取，而您的數據來自外部，故使用read.csv讀取。這只是數據的來源不同所致，並不影響您的分析。我開始的第一步是數據切割，是為了將數據分為訓練集及測試集所做的，假如您欲與我相同，以80%資料做訓練集，20%資料做測試集，則直接把GC做為iris 的替代,即data=sample(nrow(GC),0.8*nrow(GC)),下面的train及test可直接使用，數據集就被切成兩個數據集了,一個是train,用於建模,另一個是測試用的,也就是理論上未知的預測數據。第二步的建構隨機森林模型,就把您的data=GC,改為data=train,您可以考慮把GC_rf改為rf，那麼之後的代碼就可直接沿用了！
順帶說明,以抽樣的方式(sample)決定訓練集與測試集並不是一定的，端視您的數據切割策略而定。還有，如果您自認對代碼輸入頭疼，建議您使用r的rattle套件，它是r的數據挖掘視窗版,按一按就能執行分析。