python随机森林回归预测

随机森林回归是一种基于决策树的集成学习算法，它通过随机抽样和随机特征选择的方式构建多个决策树，再将这些决策树的预测结果进行平均或投票来得到最终的预测结果。下面是使用Python进行随机森林回归预测的示例代码：

# 导入相关库
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 读取数据集
data = pd.read_csv('data.csv')

# 划分特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 构建随机森林回归模型
regressor = RandomForestRegressor(n_estimators=100, random_state=0)

# 训练模型
regressor.fit(X_train, y_train)

# 预测测试集结果
y_pred = regressor.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差：", mse)

在这个示例代码中，我们首先导入了相关的库，然后读取了一个名为data.csv的数据集。接着，我们将数据集中的特征和标签分别存储在X和y中，并使用train_test_split函数将数据集划分为训练集和测试集。然后，我们构建了一个拥有100个决策树的随机森林回归模型，并使用fit方法来训练模型。最后，使用predict方法来预测测试集结果，并使用mean_squared_error函数计算均方误差。