python随机森林算法预测实例
时间: 2023-12-14 14:00:41 浏览: 118
随机森林是一种集成学习算法,用于解决分类和回归问题。它通过组合多个决策树模型进行预测,取得更高的准确率和鲁棒性。
使用Python中的sklearn库可以很方便地实现随机森林算法。以下是一个随机森林算法预测实例的步骤:
1. 导入所需的库:
```python
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
```
2. 准备数据集:
```python
# 假设数据集X为特征矩阵,y为目标变量
X = ...
y = ...
```
3. 划分训练集和测试集:
```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```
4. 初始化随机森林分类器:
```python
random_forest = RandomForestClassifier(n_estimators=100, random_state=42)
```
其中,n_estimators是决策树的数量,可以根据实际情况进行调整。
5. 训练模型:
```python
random_forest.fit(X_train, y_train)
```
6. 预测并评估模型:
```python
y_pred = random_forest.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
```
可以使用accuracy_score函数计算预测准确率。
随机森林算法预测实例就是以上这些步骤。通过调整参数和优化特征选择,可以进一步提高预测准确率。
阅读全文