随机森林预测温度python代码

随机森林是一种集成学习方法，常用于分类和回归任务。在Python中，可以使用sklearn库中的RandomForestRegressor来建立随机森林模型预测气温。这里是一个简单的例子，假设我们有历史气温数据作为特征，目标是预测未来的某一天温度：

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

# 假设df是包含日期（时间戳）和气温数据的数据框
data = pd.read_csv('temperature_data.csv')  # 替换成实际数据文件路径

# 定义特征和目标变量
X = data.drop('temperature', axis=1)  # 假设'temperature'是你要预测的目标列
y = data['temperature']

# 数据预处理，标准化数值型特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建并训练随机森林模型
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 对测试集进行预测
predictions = rf_model.predict(X_test)

# 可视化预测结果或者评估性能