随机森林建模完整代码
时间: 2023-10-19 17:06:42 浏览: 41
以下是一个使用随机森林进行建模的完整代码示例:
```python
# 导入所需库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 读取数据集
data = pd.read_csv('data.csv')
# 分割特征和目标变量
X = data.drop('target', axis=1)
y = data['target']
# 将数据集拆分为训练集和测试集
_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林分类器对象
rf = RandomForestClassifier()
# 训练模型
rf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)
```
在这个示例中,假设我们的数据集文件名为`data.csv`,其中包含特征列和目标变量列。代码首先读取数据集,然后将特征列和目标变量分离。接下来,使用`train_test_split`函数将数据集拆分为训练集和测试集,其中测试集占总样本的20%。然后,创建一个随机森林分类器对象,并使用训练集对模型进行训练。最后,使用训练好的模型对测试集进行预测,并计算预测准确率。
请注意,这只是一个基本的示例代码,实际使用时可能需要进行一些参数调整、数据预处理和模型评估等操作。