山东大学机器学习实验十随机森林

随机森林（Random Forest）是一种集成学习（Ensemble Learning）算法，它通过对多个决策树（Decision Tree）进行集成来提高模型的准确率和泛化能力。

在实验十中，你可以使用Python中的Scikit-learn库来实现随机森林模型。具体步骤如下：

1. 导入所需的库和数据集

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

data = pd.read_csv('data.csv')
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. 创建随机森林模型并进行训练

rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

3. 对测试集进行预测并评估模型表现

y_pred = rf.predict(X_test)
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

其中，`n_estimators`表示决策树的数量，`random_state`用于控制随机过程的种子，以便复现结果。

需要注意的是，随机森林模型的效果很大程度上取决于决策树的数量、深度和其它参数的设置，因此需要通过调参来优化模型表现。