随机森林算法python实现例子

随机森林（Random Forest）是一种集成学习方法，它通过构建多个决策树并取其平均结果来提高预测性能。在Python中，我们可以使用scikit-learn库来实现随机森林。以下是一个简单的随机森林分类器的实现例子：

# 导入所需的库
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 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)

# 创建随机森林模型，指定参数（例如：100棵树，每个节点最少10个样本）
rf_model = RandomForestClassifier(n_estimators=100, min_samples_split=10, random_state=42)

# 训练模型
rf_model.fit(X_train, y_train)

# 预测
y_pred = rf_model.predict(X_test)

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

# 可视化特征重要性
importances = pd.Series(rf_model.feature_importances_, index=iris.feature_names)
print("Feature importances:")
importances.sort_values().plot(kind="barh")

在这个例子中，我们首先加载了鸢尾花数据集，然后将其划分为训练集和测试集。接着，我们创建了一个随机森林模型，并用训练数据对其进行训练。模型训练完成后，我们使用测试集进行预测，并计算模型的准确率。最后，我们展示了每个特征的重要性。