随即森林 python

随机森林是一种集成学习方法，它聚集了很多决策树模型的效果。随机森林通过对数据集进行多次随机抽样，构建多个决策树模型，并将这些模型的结果进行平均或投票来进行预测。相比于单个决策树模型，随机森林可以更好地避免过拟合问题，并且具有更高的准确性和稳定性。在Python中，可以使用sklearn库中的RandomForestRegressor或RandomForestClassifier来构建随机森林模型。下面是一个随机森林回归模型的Python代码示例：

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import pandas as pd

# 读取数据
data = pd.read_csv('data.csv')
X = data.drop('target', axis=1)
y = data['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=123)

# 构建随机森林回归模型
model = RandomForestRegressor(n_estimators=100, random_state=123)
model.fit(X_train, y_train)

# 预测并评估模型
y_pred = model.predict(X_test)
score = model.score(X_test, y_test)
print('R-squared score:', score)