随机森林python代码

以下是使用Python实现随机森林的示例代码：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification

# 创建一个简单的分类数据集
X, y = make_classification(n_samples=1000, n_features=4,
                            n_informative=2, n_redundant=0,
                            random_state=0, shuffle=False)

# 创建一个随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=2,
                             random_state=0)

# 训练分类器
clf.fit(X, y)

# 预测新数据
print(clf.predict([[0, 0, 0, 0]]))

在这个例子中，我们使用sklearn库中的`RandomForestClassifier`类来创建一个随机森林分类器。我们使用`make_classification`函数创建了一个简单的分类数据集，该数据集包含4个特征和2个相关的特征。我们使用`fit`方法训练分类器，并使用`predict`方法预测新的数据点。

相关问题

随机森林回归Python代码

随机森林回归是一种机器学习算法，它可以利用Python实现。它使用一组决策树来生成预测结果，并通过平均法来提高准确性。 下面是一个简单的Python代码示例，用于实现随机森林回归：from sklearn.ensemble import RandomForestRegressor# 创建随机森林回归模型
regressor = RandomForestRegressor()# 训练模型
regressor.fit(X_train, y_train)# 预测结果
y_pred = regressor.predict(X_test)

随机森林回归python代码

以下是一个简单的随机森林回归的Python代码示例：

from sklearn.ensemble import RandomForestRegressor

# 创建随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf.fit(X_train, y_train)

# 预测
y_pred = rf.predict(X_test)

其中，`n_estimators`是指随机森林中树的数量，`random_state`是随机种子，`X_train`和`y_train`是训练数据集，`X_test`是测试数据集，`y_pred`是预测结果。