随机森林分类模型代码python

下面是一个使用随机森林分类模型的简单代码示例：

# 导入所需的库
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)

# 创建随机森林分类模型
rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42)

# 在训练集上训练模型
rf_classifier.fit(X_train, y_train)

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

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)

这是一个简单的随机森林分类模型的代码示例，使用了sklearn库。首先，我们加载了一个经典的鸢尾花数据集（iris dataset），然后将数据集划分为训练集和测试集。接下来，我们创建了一个包含100个决策树的随机森林分类模型，并使用训练集对其进行训练。最后，我们使用测试集进行预测，并计算出模型的准确率。

请注意，这只是一个简单的示例，实际使用中可能需要根据具体问题进行参数调整和模型优化。