随机森林模型训练python代码

下面是一个使用随机森林算法进行训练的Python代码示例：

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

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

# 将数据集拆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=0)

# 创建随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)

# 训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 输出模型准确率
print("Accuracy:", clf.score(X_test, y_test))

在上面的代码中，我们使用了`make_classification()`函数生成了一个带有4个特征的随机分类数据集。然后，我们使用`train_test_split()`函数将数据集拆分为训练集和测试集。接下来，我们创建了一个包含100棵决策树且每棵树的最大深度为2的随机森林分类器，并使用`fit()`方法在训练集上进行训练。最后，我们使用`predict()`方法在测试集上进行预测，并使用`score()`方法计算模型在测试集上的准确率。