随机森林数模python
时间: 2024-03-25 07:34:23 浏览: 14
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,通过对输入样本进行随机有放回抽样(bootstrap)和随机特征选择,来构建不同的决策树。最终的预测结果是由所有决策树的预测结果综合得出的。
在Python中,可以使用scikit-learn库来实现随机森林算法。下面是一个简单的随机森林分类器的示例代码:
```python
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 = 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)
# 评估模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
上述代码中,首先导入了需要的库,然后加载了一个经典的鸢尾花数据集。接着,将数据集划分为训练集和测试集,然后创建了一个包含100个决策树的随机森林分类器。通过调用`fit`方法对模型进行训练,然后使用测试集进行预测,并计算准确率。