random forests代码

Random Forest 是一种集成学习算法，它通过构建多个决策树来进行预测，并且通过投票或取平均值的方式来提高预测的准确性。下面是一个简单的 Random Forest 的代码示例：

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

# 加载数据集
iris = load_iris()
X, y = iris.data, 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)

# 构建 Random Forest 模型
model = RandomForestClassifier(n_estimators=100, random_state=42)

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

# 在测试集上进行预测
y_pred = model.predict(X_test)

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

在这个示例中，我们使用了 scikit-learn 库中的 RandomForestClassifier 类来构建 Random Forest 模型。我们首先加载了鸢尾花数据集，然后将数据集划分为训练集和测试集。接着我们构建了一个包含 100 个决策树的 Random Forest 模型，并在训练集上进行训练。最后，我们在测试集上进行预测，并计算了模型的准确率。