随机森林分类python实战

随机森林是一种常用的机器学习算法，它可以用于分类和回归问题。随机森林将多个决策树集成在一起，每个决策树都是一个弱分类器，通过集成多个弱分类器形成一个强分类器。在训练过程中，随机森林会随机选取一部分特征来训练每个决策树，这样可以减少特征间的相关性，提高模型的泛化能力和鲁棒性。

下面是随机森林分类的python实战：

1. 加载数据集

首先需要加载数据集，这里以鸢尾花数据集为例：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

2. 划分数据集

将数据集划分为训练集和测试集：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

3. 训练模型

使用随机森林分类器训练模型：

from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier(n_estimators=10, random_state=42)
rfc.fit(X_train, y_train)

其中，n_estimators表示决策树的数量。

4. 预测和评估

使用训练好的模型对测试集进行预测，并计算模型的准确率：

from sklearn.metrics import accuracy_score
y_pred = rfc.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

5. 相关问题：