随机森林模型原理代码

随机森林是一种集成学习方法，它由多个决策树组成。每个决策树都是独立训练的，通过投票或平均的方式来进行预测。下面是随机森林的原理和代码示例：

原理：
1. 随机选择样本：从训练集中随机选择一部分样本进行训练，这样可以减少过拟合。
2. 随机选择特征：对于每个决策树的节点，在节点分裂时，随机选择一部分特征进行评估，这样可以增加模型的多样性。
3. 构建决策树：使用选定的样本和特征构建决策树，直到满足停止条件（如达到最大深度或节点样本数小于阈值）。
4. 预测：对于新的样本，通过所有决策树的预测结果进行投票或平均，得到最终的预测结果。

代码示例（使用Python的scikit-learn库）：

from sklearn.ensemble import RandomForestClassifier

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

# 训练模型
rf.fit(X_train, y_train)

# 预测
y_pred = rf.predict(X_test)

相关问题：
1. 什么是集成学习？
2. 随机森林如何减少过拟合？
3. 随机森林如何进行特征选择？
4. 随机森林与决策树有什么区别？