随机森林模型预测代码
时间: 2023-06-30 14:21:51 浏览: 47
下面是一个简单的随机森林模型预测代码示例:
```python
# 导入随机森林模型和数据集
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 创建随机森林模型,设置参数
rf = RandomForestClassifier(n_estimators=10, max_depth=None, min_samples_split=2, random_state=0)
# 拟合模型并进行预测
rf.fit(X, y)
prediction = rf.predict(X)
# 打印预测结果
print(prediction)
```
在上面的代码中,我们使用了 `sklearn` 库中的 `RandomForestClassifier` 类来创建随机森林模型,并使用 `load_iris()` 函数加载了 `iris` 数据集。我们将数据集分为特征和目标变量,并使用 `fit()` 方法来拟合模型,使用 `predict()` 方法来进行预测并打印出结果。
相关问题
随机森林模型预测的代码
好的,以下是一个简单的随机森林模型预测的代码示例:
```python
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
# 生成随机数据集
X, y = make_classification(n_samples=1000, n_features=4,
n_informative=2, n_redundant=0,
random_state=0, shuffle=False)
# 创建随机森林分类器
clf = RandomForestClassifier(max_depth=2, random_state=0)
# 训练模型
clf.fit(X, y)
# 预测新数据
print(clf.predict([[0, 0, 0, 0]]))
```
这个代码示例中,我们使用 `make_classification` 函数生成了一个包含 1000 个样本和 4 个特征的随机数据集。然后,我们创建了一个最大深度为 2 的随机森林分类器,并使用 `fit` 方法训练了模型。最后,我们使用 `predict` 方法对新数据进行预测。
随机森林回归模型预测代码
随机森林回归模型是一种集成学习方法,它通过组合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模型预测的代码示例:
```python
# 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 = # 特征数据集
y = # 目标变量
# 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_model = RandomForestRegressor(n_estimators=100, random_state=42)
# 训练模型
rf_model.fit(X_train, y_train)
# 预测测试集
y_pred = rf_model.predict(X_test)
# 评估模型
mse = mean_squared_error(y_test, y_pred)
print("均方误差(MSE):", mse)
```
以上代码中,首先导入了需要的库,然后准备好特征数据集X和目标变量y。接着使用`train_test_split`函数将数据集划分为训练集和测试集。然后创建一个随机森林回归模型,并使用训练集进行训练。最后使用训练好的模型对测试集进行预测,并使用均方误差(MSE)评估模型的性能。