随机森林回归模型python

下面是一个简单的随机森林回归模型的 Python 代码示例：

# 导入必要的库
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_csv('data.csv')

# 准备特征和目标变量
X = data.drop(columns=['target'])
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)

# 初始化随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)

# 拟合模型
rf.fit(X_train, y_train)

# 预测测试集结果
y_pred = rf.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
rmse = mse ** 0.5
print('RMSE:', rmse)

在这个例子中，我们使用了 Pandas 库来读取数据，使用 Scikit-learn 库中的 RandomForestRegressor 类来训练随机森林回归模型。我们还使用了 train_test_split 函数将数据集划分为训练集和测试集。最后，我们使用 mean_squared_error 函数计算测试集上的均方根误差（RMSE）来评估模型的性能。