怎么导出python代码中孤立森林的分数和-1、1

孤立森林模型可以通过sklearn中的`IsolationForest`类来实现。在该模型中，每个样本都会被分配一个分数，该分数表示该样本被认为是异常的程度。通常，分数越低，样本越异常。

在sklearn中，可以使用`fit_predict`方法来训练模型并预测每个样本的标签。对于孤立森林模型，标签是一个二元值，-1表示异常，1表示正常。因此，我们可以使用`fit_predict`方法来得到每个样本的标签，并计算出每个样本的分数。

下面是一个示例代码，它演示了如何使用孤立森林模型来计算每个样本的分数和标签：

from sklearn.ensemble import IsolationForest

# 加载数据
X_train = ...
X_test = ...

# 创建孤立森林模型
model = IsolationForest(n_estimators=100, contamination=0.01)

# 训练模型并预测每个样本的标签
y_train_pred = model.fit_predict(X_train)
y_test_pred = model.predict(X_test)

# 计算每个样本的分数
scores_train = model.score_samples(X_train)
scores_test = model.score_samples(X_test)

# 输出结果
print("Train Scores:", scores_train)
print("Train Labels:", y_train_pred)
print("Test Scores:", scores_test)
print("Test Labels:", y_test_pred)

在这个例子中，我们使用`IsolationForest`类创建了一个孤立森林模型，并使用`n_estimators`参数设置了模型中决策树的数量。`contamination`参数指定了异常值的比例，这里设置为0.01表示数据集中只有1%的样本是异常值。

接下来，我们使用`fit_predict`方法来训练模型并预测每个样本的标签，得到`y_train_pred`和`y_test_pred`两个数组。然后，我们使用`score_samples`方法来计算每个样本的分数，得到`scores_train`和`scores_test`两个数组。

最后，我们输出了每个数组的结果。其中，`Train Scores`和`Test Scores`分别表示训练集和测试集中每个样本的分数，`Train Labels`和`Test Labels`分别表示训练集和测试集中每个样本的标签。