随机森林分类模型python代码

随机森林是一种集成学习算法，它由多个决策树组成，通过投票或平均的方式来进行分类。在Python中，可以使用scikit-learn库来实现随机森林分类模型。下面是一个简单的示例代码：

# 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)

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

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

# 预测测试集
y_pred = rf_classifier.predict(X_test)

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

这段代码首先导入了所需的库，包括`RandomForestClassifier`用于创建随机森林分类器，`load_iris`用于加载鸢尾花数据集，`train_test_split`用于划分训练集和测试集，以及`accuracy_score`用于计算准确率。

接下来，代码加载了鸢尾花数据集，并将特征数据赋值给`X`，目标数据赋值给`y`。

然后，使用`train_test_split`函数将数据集划分为训练集和测试集，其中`test_size=0.2`表示将20%的数据作为测试集。

接着，创建了一个随机森林分类器对象`rf_classifier`，并设置了参数`n_estimators=100`表示使用100个决策树构建随机森林。

然后，使用训练集数据和目标数据来训练模型，调用`fit`方法。

接下来，使用训练好的模型对测试集进行预测，调用`predict`方法。

最后，使用`accuracy_score`函数计算预测结果的准确率，并打印出来。