Python实现随机森林

随机森林是一种集成学习方法，通过组合多个决策树来提高模型的准确性和泛化能力。下面是Python实现随机森林的示例代码：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成示例数据
X, y = make_classification(n_samples=1000, n_features=4, random_state=0, shuffle=False)

# 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=0)

# 定义随机森林模型
clf = RandomForestClassifier(n_estimators=100, max_depth=2,random_state=0)

# 训练模型
clf.fit(X_train, y_train)

# 评估模型
score = clf.score(X_test, y_test)
print('Accuracy:', score)

在上面的示例代码中，我们使用了`sklearn`库中的`RandomForestClassifier`类实现了随机森林模型。我们首先使用`make_classification`函数生成了示例数据，然后使用`train_test_split`函数将数据划分为训练集和测试集。接着，我们定义了一个随机森林模型，其中`n_estimators`表示决策树的数量，`max_depth`表示每个决策树的最大深度。最后，我们使用`fit`方法训练模型，并使用`score`方法评估模型的准确性。