利用随机森林算法，完成鸢尾花数据集的建模

随机森林是一种集成学习方法，常用于分类和回归任务。以下是利用Python的scikit-learn库，在Iris（鸢尾花）数据集上构建随机森林模型的基本步骤：

1. **数据准备**：首先，你需要导入所需的库并加载数据集。

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

iris = load_iris()
X = iris.data
y = iris.target

2. **数据划分**：将数据分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **模型创建与训练**：创建RandomForestClassifier对象，并指定参数（如树的数量，节点分裂的最小样本数等）。

rf_model = RandomForestClassifier(n_estimators=100, max_depth=None, random_state=42)
rf_model.fit(X_train, y_train)

4. **预测**：使用训练好的模型对测试集进行预测。

y_pred = rf_model.predict(X_test)

5. **评估模型**：检查模型的性能，例如准确率。

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")