随机森林回归模型预测代码

随机森林回归模型是一种集成学习方法，它通过组合多个决策树来进行回归预测。下面是一个简单的随机森林回归模型预测的代码示例：

# 导入所需的库
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 准备数据集
X = # 特征数据集
y = # 目标变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 训练模型
rf_model.fit(X_train, y_train)

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

# 评估模型
mse = mean_squared_error(y_test, y_pred)
print("均方误差(MSE):", mse)

以上代码中，首先导入了需要的库，然后准备好特征数据集X和目标变量y。接着使用`train_test_split`函数将数据集划分为训练集和测试集。然后创建一个随机森林回归模型，并使用训练集进行训练。最后使用训练好的模型对测试集进行预测，并使用均方误差（MSE）评估模型的性能。