jupyter随机森林模拟实验

1. 准备数据集

首先，我们需要准备一个数据集。这里我们使用sklearn自带的iris数据集。

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data
y = iris.target

2. 分割数据集

接下来，我们需要将数据集分割成训练集和测试集。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

这里将数据集分割成了70%的训练集和30%的测试集。

3. 创建随机森林模型

from sklearn.ensemble import RandomForestClassifier

rfc = RandomForestClassifier(n_estimators=10)

这里创建了一个包含10棵决策树的随机森林模型。

4. 训练模型

rfc.fit(X_train, y_train)

5. 预测

y_pred = rfc.predict(X_test)

6. 模型评估

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

这里使用准确率来评估模型的性能。

完整代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

iris = load_iris()
X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

rfc = RandomForestClassifier(n_estimators=10)

rfc.fit(X_train, y_train)

y_pred = rfc.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

输出：

Accuracy: 0.9777777777777777