python随机森林回归预测模型实例

在Python中，随机森林回归（Random Forest Regression）是一种基于决策树的集成学习方法，常用于预测任务。它通过构建许多决策树并取其平均值来减少过拟合，提高预测精度。下面是一个简单的随机森林回归模型的Scikit-Learn示例：

# 导入必要的库
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np

# 假设我们有一个名为'data.csv'的数据集
data = pd.read_csv('data.csv')

# 定义特征和目标变量
X = data.drop('target_column', axis=1)  # 替换 'target_column' 为你的目标列名
y = data['target_column']

# 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
model = RandomForestRegressor(n_estimators=100,  # 树的数量
                              random_state=42,
                              max_depth=None  # 如果设置成None则不限制深度
                             )

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 评估模型性能
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"Mean Squared Error: {mse}, R-squared: {r2}")

#