随机森林算法python实战

随机森林算法是一种集成学习方法，它通过组合多个决策树来进行分类或回归任务。在Python中，可以使用scikit-learn库来实现随机森林算法。

下面是一个随机森林分类器的实战代码示例：

# 导入所需的库和模块
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X = data.data  # 特征矩阵
y = data.target  # 目标向量

# 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 = RandomForestClassifier(n_estimators=100, random_state=42)

# 在训练集上训练模型
rf.fit(X_train, y_train)

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

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

在上述代码中，首先导入所需的库和模块。然后使用`load_iris()`函数加载鸢尾花数据集，将特征矩阵赋值给`X`，目标向量赋值给`y`。接着，使用`train_test_split()`函数将数据集划分为训练集和测试集。

然后，创建一个随机森林分类器对象`rf`，并通过`fit()`方法在训练集上训练模型。接着，使用`predict()`方法在测试集上进行预测。最后，使用`accuracy_score()`函数计算预测准确率，并将结果打印出来。

以上就是随机森林算法的Python实战示例。你可以根据实际需求调整参数和数据集。希望对你有帮助！