调用sklearn库中的随机森林python代码

下面是一个简单的使用sklearn库中的随机森林算法进行分类的Python代码示例：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成样本数据（这里使用make_classification函数生成二分类数据）
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 构建随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

在这个示例中，我们使用了sklearn库中的make_classification函数生成了一个二分类数据集，并将数据集分为训练集和测试集。然后，我们构建了一个包含100棵树，最大深度为5的随机森林分类器，并对训练集进行了训练。最后，我们使用训练好的模型对测试集进行预测，并计算了模型的准确率。