随机森林模型预测化合物活性代码

当然可以！下面是一个简单的使用随机森林模型预测化合物活性的代码示例：

# 导入所需库
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('your_dataset.csv')
# 定义特征和目标变量
X = data.drop('活性', axis=1)
y = data['活性']

# 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)

# 创建随机森林分类器模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)

# 在训练集上训练模型
rf_model.fit(X_train, y_train)

# 在测试集上进行预测
predictions = rf_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, predictions)
print("准确率:", accuracy)

请注意，上述代码仅提供了一个基本的框架，你需要根据你的数据集和需求进行适当的调整和修改。你需要将数据集路径替换为你自己的数据集路径，并根据你的数据集调整特征和目标变量的选择。还可以通过调整随机森林分类器的参数来优化模型性能。希望能对你有所帮助！