随机森林python 回归代码

随机森林回归是一种基于决策树的集成学习方法，在Python中可以使用sklearn库来实现。下面是一个简单的随机森林回归的例子：

# 导入所需库
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np

# 假设你已经有了一个数据集df，其中有一个目标变量'y'，其他特征列为X
data = df.drop('y', axis=1)
target = df['y']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)

# 创建随机森林回归模型
rf_model = RandomForestRegressor(n_estimators=100, # 树的数量
                                criterion='mse', # 判定函数（默认）
                                max_depth=None, # 自动设定树的最大深度
                                min_samples_split=2, # 分裂节点所需的最少样本数
                                random_state=42) # 设置随机种子保证结果可复现

# 训练模型
rf_model.fit(X_train, y_train)

# 预测
predictions = rf_model.predict(X_test)

# 输出模型性能指标（这里省略了，你可以使用如R^2分数、均方误差等评估）

在这个例子中，首先导入必要的库，然后加载数据并划分训练集和测试集。接着创建RandomForestRegressor实例，并指定参数。然后通过`fit()`方法对模型进行训练，最后用训练好的模型进行预测。