用python实现随机森林算法模型代码

以下是用Python实现随机森林算法模型的基本代码流程：

1. 导入必要的库和模块

from sklearn.ensemble import RandomForestClassifier # 随机森林分类器
from sklearn.datasets import load_iris # iris数据集
from sklearn.model_selection import train_test_split # 数据集划分
from sklearn.metrics import accuracy_score # 模型评估

2. 加载数据集并划分训练集和测试集

iris = load_iris() # 加载iris数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42) # 划分训练集和测试集

3. 构建随机森林模型并进行训练

rfc = RandomForestClassifier(n_estimators=10, random_state=42) # 构建随机森林模型，设置10棵决策树
rfc.fit(X_train, y_train) # 训练模型

4. 预测测试集结果并评估模型性能

y_pred = rfc.predict(X_test) # 预测测试集结果
accuracy = accuracy_score(y_test, y_pred) # 评估模型性能
print("Accuracy:", accuracy)

5. 可以通过调整超参数，如n_estimators、max_depth等来提高模型性能。