python sklearn实现随机森林的具体代码

以下是使用Python的Scikit-Learn库实现随机森林的基本代码：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification

# 生成随机数据
X, y = make_classification(n_samples=1000, n_features=4, n_informative=2, n_redundant=0, random_state=0, shuffle=False)

# 建立随机森林模型
clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)

# 拟合模型
clf.fit(X, y)

# 预测数据
print(clf.predict([[0, 0, 0, 0]]))

在上述代码中，我们首先使用Scikit-Learn的make_classification函数生成了一个包含1000个样本和4个特征的随机数据集。然后，我们使用RandomForestClassifier类建立了一个包含100个决策树的随机森林模型，每个决策树的最大深度为2。最后，我们使用拟合模型对新数据进行预测。