提高随机森林模型得分代码

提高随机森林模型（Random Forest）得分通常涉及几个关键步骤，包括数据预处理、特征选择、参数调整以及评估模型性能。以下是一些常用的代码示例：

1. **导入必要的库**：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import accuracy_score, classification_report

2. **加载数据并预处理**：

data = pd.read_csv('your_data.csv')
X = data.drop('target_column', axis=1) # 特征列
y = data['target_column'] # 目标变量

# 数据集分割（如80%训练，20%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **创建随机森林模型并初始化参数网格**：

rf = RandomForestClassifier()
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 10, 20],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

4. **使用GridSearchCV进行参数优化**：

grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)
best_rf = grid_search.best_estimator_

5. **模型评估**：

y_pred = best_rf.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))