导入数据随机森林预测python

以下是使用Python导入数据并使用随机森林算法进行预测的示例代码。

首先，我们需要导入必要的库：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

然后，我们可以使用Pandas库导入数据集。在这个示例中，我们将使用Iris数据集作为示例数据集。

# 导入数据集
iris = pd.read_csv("iris.csv")

接下来，我们需要将数据集分成训练集和测试集。在这个示例中，我们将训练集占总数据集的70%，测试集占30%。

# 分割数据集
train, test = train_test_split(iris, test_size=0.3)

然后，我们可以为随机森林算法设置参数。

# 设置随机森林参数
rf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=0)

在这个示例中，我们设置了100棵树，每棵树的最大深度为5。

接下来，我们可以使用训练集训练随机森林模型。

# 训练随机森林模型
rf.fit(train.iloc[:, :-1], train.iloc[:, -1])

最后，我们可以使用测试集对模型进行预测，并计算预测的准确率。

# 预测测试集
pred = rf.predict(test.iloc[:, :-1])

# 计算准确率
accuracy = accuracy_score(test.iloc[:, -1], pred)
print("Accuracy:", accuracy)

完整的代码如下：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 导入数据集
iris = pd.read_csv("iris.csv")

# 分割数据集
train, test = train_test_split(iris, test_size=0.3)

# 设置随机森林参数
rf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=0)

# 训练随机森林模型
rf.fit(train.iloc[:, :-1], train.iloc[:, -1])

# 预测测试集
pred = rf.predict(test.iloc[:, :-1])

# 计算准确率
accuracy = accuracy_score(test.iloc[:, -1], pred)
print("Accuracy:", accuracy)