Random forest代码

随机森林（Random Forest）是一种集成学习方法，它结合了多个决策树模型来提高预测性能和减少过拟合风险。在Python中，我们可以使用scikit-learn库来实现随机森林算法。以下是一个简单的随机森林分类器的代码示例：

# 导入所需的库
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设我们有一个名为data的数据集（DataFrame）
data = ... # 加载数据，例如pandas DataFrame

# 数据预处理（选择特征、编码等）
X = data.drop('target_column', axis=1)  # 特征列
y = data['target_column']            # 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)

# 创建随机森林分类器
rf_classifier = RandomForestClassifier(n_estimators=100,  # 树的数量
                                       criterion='gini',   # 判决节点分裂标准
                                       max_depth=None,      # 自动设置树深度
                                       random_state=42)     # 随机种子保证结果可复现

# 训练模型
rf_classifier.fit(X_train, y_train)

# 进行预测
y_pred = rf_classifier.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")