python中随机森林导入数据并在确定最优参数后输出

以下是一个示例代码，演示如何使用随机森林模型导入数据并确定最优参数后输出结果：

# 导入必要的库
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

# 读取数据集
data = pd.read_csv('data.csv')

# 将标签分离出来
X = data.drop('label', axis=1)
y = data['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义随机森林模型
rf = RandomForestClassifier()

# 定义要调节的参数范围
param_grid = {
    'n_estimators': [50, 100, 150],
    'max_depth': [5, 10, 15],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

# 使用网格搜索寻找最优参数
grid_search = GridSearchCV(rf, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优参数
print("Best parameters: ", grid_search.best_params_)

# 使用最优参数的模型进行预测
rf_best = grid_search.best_estimator_
y_pred = rf_best.predict(X_test)

# 输出分类报告
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))

在上述代码中，我们首先读取了数据集，并将标签分离出来。然后，我们使用train_test_split函数将数据集划分为训练集和测试集。接着，我们定义了随机森林模型，并使用GridSearchCV函数进行网格搜索，寻找最优参数。找到最优参数后，我们使用最优参数的模型进行预测，并输出分类报告。