随机森林算法Python代码

下面是一个使用随机森林算法的简单示例代码：

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
data = load_iris()
X = data.data
y = data.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 = RandomForestClassifier(n_estimators=100, random_state=42)

# 在训练集上训练模型
rf.fit(X_train, y_train)

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

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

在这个例子中，我们使用了sklearn库中的`RandomForestClassifier`类来实现随机森林分类器。首先，我们加载了一个经典的鸢尾花数据集（通过`load_iris`函数），然后将数据集划分为训练集和测试集。接下来，我们创建了一个具有100棵决策树的随机森林分类器，并在训练集上训练它。最后，我们使用训练好的模型对测试集进行预测，并计算出准确率。

请注意，这只是一个基本的示例代码，实际应用中可能需要根据具体情况进行参数调整和模型优化。