Python随机森林案例。

Python中的随机森林是一种集成学习算法，它由一系列决策树组成。每个决策树都是基于训练数据集的一个随机子集（即bootstrap样本）和一部分特征（也是随机选择的）。当预测时，所有树会投票给出结果，最常见的结果就是最终预测。

下面是一个简单的随机森林案例，假设我们要用它来进行分类任务，比如鸢尾花数据集（Iris dataset）：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 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)

# 创建并训练随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, max_depth=5)
rf_model.fit(X_train, y_train)

# 预测
predictions = rf_model.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, predictions)
print("Accuracy:", accuracy)

在这个例子中，我们首先导入所需的库，然后加载数据并划分成训练集和测试集。接着创建了一个随机森林分类器，设置了100棵树和最大深度为5。通过`fit`函数对数据进行训练，最后用`predict`进行预测，并计算了准确率作为模型性能的度量。