随机森林判别python

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投票或平均来进行预测。随机森林在分类和回归问题中都有广泛的应用。

在Python中，可以使用scikit-learn库来实现随机森林分类器。下面是一个简单的示例代码：

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

# 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)

# 输出预测结果
print("预测结果:", y_pred)

# 输出准确率
accuracy = rf.score(X_test, y_test)
print("准确率:", accuracy)

以上代码中，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`predict`方法对测试集进行预测。最后输出预测结果和准确率。