随机森林回归预测python代码

随机森林回归是一种基于决策树的集成学习方法，常用于预测任务。在Python中，我们可以使用Scikit-Learn库中的`RandomForestRegressor`类来进行随机森林回归预测。下面是一个简单的示例：

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

# 假设我们有一个名为data.csv的数据集，包含特征列(X)和目标变量(y)
# 加载数据
data = pd.read_csv('data.csv')

# 定义特征和目标变量
X = data.drop('target_column', axis=1)  # 将'y'替换为实际的目标列名
y = data['target_column']

# 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
model = RandomForestRegressor(n_estimators=100,  # 树的数量
                             max_depth=None,   # 如果设置为None，则树可以达到最大深度
                             min_samples_split=2,  # 分裂节点所需的最少样本数
                             random_state=42)  # 设置随机种子以保证结果可复现

# 训练模型
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)

# 输出预测结果
print("预测值:\n", predictions)