随机森林 sklearn

随机森林是一种集成学习算法，它通过构建多个决策树来进行预测。在sklearn库中，可以使用RandomForestClassifier（用于分类问题）和RandomForestRegressor（用于回归问题）来实现随机森林算法。

这里是一个使用随机森林进行分类的示例代码：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成一些示例数据
X, y = make_classification(n_samples=1000, n_features=4, random_state=0, shuffle=False)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建随机森林分类器
clf = RandomForestClassifier(n_estimators=100, random_state=0)

# 在训练集上拟合模型
clf.fit(X_train, y_train)

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

# 输出预测结果
print(y_pred)

你可以根据实际问题调整随机森林的参数，如n_estimators（决策树的数量），max_depth（决策树的最大深度）等。同时，sklearn还提供了其他用于评估模型性能的函数和工具，例如accuracy_score、confusion_matrix等。