帮我写一段代码，用多个连续变化的属性来预测目标值（连续变量）。用随机森林的模型

当然可以，这里是一个使用Python的Scikit-Learn库来创建一个随机森林回归模型的例子，假设我们有一个包含连续属性和目标值的数据集。在这个例子中，我们将使用`numpy`生成一些模拟数据：

import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 生成模拟数据
np.random.seed(42)
n_samples, n_features = 500, 5
X = np.random.rand(n_samples, n_features)  # 多个连续属性
y = X[:, 0] + 2 * X[:, 1] - 0.5 * X[:, 2] + 0.1 * np.random.normal(size=n_samples)  # 目标值基于连续属性计算

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练随机森林回归模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算MSE作为评估指标
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")

# 可视化结果 (假设可视化库如matplotlib已安装)
if 'matplotlib.pyplot' in dir():
    import matplotlib.pyplot as plt
    plt.scatter(y_test, y_pred, alpha=0.5)
    plt.xlabel('True Values')
    plt.ylabel('Predicted Values')
    plt.show()

在这个代码中，我们首先生成了一个二维的数据集，其中第一个属性直接决定了目标值，后续的属性通过线性组合的方式对目标值有一定的影响。然后，我们拆分数据为训练集和测试集，训练了一个随机森林回归模型，并在测试集上进行了预测，最后计算了预测结果的均方误差。