高光谱随机森林回归代码

以下是Python中使用随机森林进行高光谱回归的示例代码：

# 导入所需的库
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error
import numpy as np

# 加载数据
data = np.loadtxt('spectra.csv', delimiter=',')
X = data[:, :-1]
y = data[:, -1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)

# 拟合模型
rf.fit(X_train, y_train)

# 预测结果
y_pred = rf.predict(X_test)

# 计算R2和RMSE
r2 = r2_score(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False)

# 输出结果
print('R2 score:', r2)
print('RMSE:', rmse)

在这个示例中，我们首先从CSV文件中加载高光谱数据。然后，我们将数据划分为训练集和测试集，并创建一个随机森林回归模型。我们使用模型对测试集进行预测，并计算R2和RMSE来评估模型的性能。最后，我们输出结果。