随机森林sklearn

### 使用 Sklearn 中的随机森林进行机器学习

#### 导入必要的库
为了使用 `sklearn` 的随机森林模型，首先需要导入一些基本的 Python 库以及 sklearn 提供的相关模块。

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

#### 加载并准备数据集
这里以鸢尾花(Iris)数据集为例来展示如何应用随机森林分类器。该数据集包含了三种不同类型的鸢尾花卉的数据记录[^1]。

# 加载Iris数据集
data = load_iris()
X = data.data  # 特征矩阵
y = data.target  # 目标向量

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

#### 创建与配置随机森林模型
通过设置参数可以调整随机森林的行为，比如树的数量(`n_estimators`)等超参数的选择对于最终性能至关重要[^2]。

rfc = RandomForestClassifier(n_estimators=100, max_depth=None, min_samples_split=2, random_state=0)

#### 训练模型
一旦定义好了模型对象之后就可以用训练数据对其进行拟合操作了。

rfc.fit(X_train, y_train)

#### 测试模型
完成训练过程后，在未知数据上评估模型表现是非常重要的一步。这可以通过计算预测精度或其他评价指标实现。

predictions = rfc.predict(X_test)

print(f'Accuracy: {accuracy_score(y_test, predictions)}')
print(classification_report(y_test, predictions))

上述代码展示了完整的流程，从加载数据直到最后的结果分析。值得注意的是，实际应用场景下可能还需要进一步优化模型参数或是尝试其他预处理手段以获得更好的泛化能力[^3]。