随机森林回归算法代码

随机森林回归算法是一种集成学习方法，它通过构建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算法的代码示例：

# 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为特征矩阵，y为目标变量
X, y = ...

# 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 = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = rf.predict(X_test)

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

以上代码使用了scikit-learn库中的RandomForestRegressor类来实现随机森林回归算法。首先，需要导入所需的库。然后，准备数据集，其中X为特征矩阵，y为目标变量。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RandomForestRegressor对象，并设置参数，如n_estimators表示决策树的数量。接下来，使用fit方法对模型进行训练。最后，使用predict方法在测试集上进行预测，并使用mean_squared_error函数计算均方误差来评估模型性能。