【实验项目1】 1.学习并调用RandomForestClassifier处理预测问题，并尝试用于真实数据集（不选择boston波士顿房价数据集），并提供完整的python代码，可适当可视化； 2.学习并调用RandomForestRegressor处理预测问题，并尝试用于真实数据集（不选择boston波士顿房价数据集），并提供完整的python代码，可适当可视化；

好的，我可以帮你完成这个任务。在这里，我将使用sklearn库中的RandomForestClassifier和RandomForestRegressor来处理分类和回归问题。我们将使用iris数据集来进行分类任务，使用wine数据集来进行回归任务。

首先，让我们导入所需的库并加载数据集：

from sklearn.datasets import load_iris, load_wine
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, mean_squared_error
import matplotlib.pyplot as plt

# 加载iris数据集（分类）
iris = load_iris()
X_iris, y_iris = iris.data, iris.target

# 加载wine数据集（回归）
wine = load_wine()
X_wine, y_wine = wine.data, wine.target

接下来，我们将数据集分成训练集和测试集，并使用RandomForestClassifier和RandomForestRegressor模型进行分类和回归：

# 分割iris数据集
X_train_iris, X_test_iris, y_train_iris, y_test_iris = train_test_split(X_iris, y_iris, test_size=0.3, random_state=42)

# 分割wine数据集
X_train_wine, X_test_wine, y_train_wine, y_test_wine = train_test_split(X_wine, y_wine, test_size=0.3, random_state=42)

# 训练RandomForestClassifier模型
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train_iris, y_train_iris)

# 进行预测并计算准确率
y_pred_iris = clf.predict(X_test_iris)
acc_iris = accuracy_score(y_test_iris, y_pred_iris)
print('Accuracy of RandomForestClassifier on iris dataset:', acc_iris)

# 训练RandomForestRegressor模型
reg = RandomForestRegressor(n_estimators=100, random_state=42)
reg.fit(X_train_wine, y_train_wine)

# 进行预测并计算均方误差
y_pred_wine = reg.predict(X_test_wine)
mse_wine = mean_squared_error(y_test_wine, y_pred_wine)
print('Mean squared error of RandomForestRegressor on wine dataset:', mse_wine)

最后，我们可以使用Matplotlib库进行可视化，以更好地理解模型的表现：

# 可视化RandomForestClassifier的特征重要性
plt.bar(range(len(clf.feature_importances_)), clf.feature_importances_)
plt.xticks(range(len(iris.feature_names)), iris.feature_names, rotation=90)
plt.title('Feature importances of RandomForestClassifier on iris dataset')
plt.show()

# 可视化RandomForestRegressor的特征重要性
plt.bar(range(len(reg.feature_importances_)), reg.feature_importances_)
plt.xticks(range(len(wine.feature_names)), wine.feature_names, rotation=90)
plt.title('Feature importances of RandomForestRegressor on wine dataset')
plt.show()

完整的代码如下所示：