随机森林分类模型代码

随机森林分类模型是一种基于集成学习的机器学习方法，通过构建多个决策树并取其平均结果来进行预测。以下是使用Python的scikit-learn库创建一个简单的随机森林分类器的基本代码示例：

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

# 假设你已经有了一个名为df的数据集，其中包含特征列X和目标标签列y
data = pd.read_csv('your_dataset.csv') # 替换为实际数据路径
X = data.drop('target_column', axis=1) # 'target_column'是你的目标列名
y = data['target_column']

# 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
rf_classifier = RandomForestClassifier(n_estimators=100, max_depth=20, random_state=42)

# 训练模型
rf_classifier.fit(X_train, y_train)

# 预测
y_pred = rf_classifier.predict(X_test)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

#