针对Titanic.csv数据集中的关于乘客等级和存活状态的关系用随机森林用Python表示出来

首先，让我们假设你已经有一个名为"Titanic.csv"的数据集，其中包含乘客的等级（Pclass）、生存状态（Survived）以及其他特征。要使用随机森林模型在Python中分析乘客等级与存活状态的关系，你可以按照以下步骤操作：

1. 导入所需的库：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix

2. 加载数据并预处理：

data = pd.read_csv('Titanic.csv')
data.dropna(inplace=True)  # 删除缺失值，如果有的话
X = data[['Pclass']]  # 特征变量，这里只考虑等级
y = data['Survived']  # 目标变量，存活状态

# 将类别变量转换为数值（例如，将Pclass转换为整数）
X['Pclass'] = X['Pclass'].astype(int)

3. 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)

4. 创建并训练随机森林模型：

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

5. 进行预测和评估性能：

y_pred = model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)
conf_mat = confusion_matrix(y_test, y_pred)
print(f"Accuracy: {accuracy}")
print("Confusion Matrix:\n", conf_mat)

在这个例子中，我们只基于等级（Pclass）来预测存活，但实际上可以加入其他特征。