随机森林预测模型代码

以下是一个使用随机森林进行预测的示例代码：

# 导入必要的库
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

# 读取数据集
data = pd.read_csv('data.csv')

# 定义特征和目标变量
X = data.drop('target_variable', axis=1)
y = data['target_variable']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林模型
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf_model.fit(X_train, y_train)

# 预测测试集结果
y_pred = rf_model.predict(X_test)

# 计算MAE评价指标
mae = mean_absolute_error(y_test, y_pred)
print('MAE:', mae)

在上述代码中，我们首先导入必要的库，并读取数据集。然后我们定义了特征和目标变量，使用 `train_test_split` 函数将数据集划分为训练集和测试集。接着，我们创建了一个随机森林回归模型（`RandomForestRegressor`），并将训练集数据用于训练模型。最后，我们使用测试集数据进行预测，并计算了预测结果和真实结果之间的MAE评价指标。