用灰狼算法优化随机森林参数代码

以下是使用灰狼算法优化随机森林参数的 Python 代码：

import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from wolf_optimization import WolfOptimization  # 导入灰狼优化算法实现

# 生成随机森林数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42)

# 定义随机森林分类器模型
def rf_model(n_estimators, max_depth, min_samples_split, min_samples_leaf):
    clf = RandomForestClassifier(n_estimators=int(n_estimators),
                                  max_depth=int(max_depth),
                                  min_samples_split=int(min_samples_split),
                                  min_samples_leaf=int(min_samples_leaf),
                                  random_state=42)
    clf.fit(X_train, y_train)
    return clf.score(X_test, y_test)

# 定义灰狼算法优化器
opt = WolfOptimization(4, 20, 100)

# 进行灰狼算法优化
best = opt.optimize(rf_model)

# 输出最佳参数
print('best parameters:', best)

在代码中，我们首先使用 `make_classification` 函数生成一个随机森林数据集，然后定义了一个随机森林分类器模型。接着，我们使用灰狼算法优化模型参数，最终输出最佳参数。

需要注意的是，我们使用了一个叫做 `WolfOptimization` 的灰狼算法实现，这个实现可以在 GitHub 上找到。