python 随机森林分类代码

随机森林是一种强大的机器学习算法，用于分类和回归问题。它通过结合多个决策树的预测结果来提高预测准确性和鲁棒性。在Python中，我们可以使用scikit-learn库来实现随机森林分类算法。

首先，我们需要导入必要的库和数据集。例如，我们可以使用sklearn.datasets库的load_iris函数加载鸢尾花数据集。

from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以创建随机森林分类器，并将其拟合到训练数据上。

# 创建随机森林分类器
rf = RandomForestClassifier(n_estimators=100, random_state=42)

# 拟合训练数据
rf.fit(X_train, y_train)

接下来，我们可以使用测试数据对模型进行预测，并计算预测准确性。

# 在测试集上进行预测
y_pred = rf.predict(X_test)

# 计算预测准确性
accuracy = accuracy_score(y_test, y_pred)
print("预测准确性: ", accuracy)

最后，我们可以根据需要进行更改和调整，例如调整n_estimators（决策树的数量）的值来优化模型的性能。

这是一个简单的随机森林分类代码的例子。通过调整参数和进行交叉验证，我们可以进一步改进模型的性能。