随机森林异常检测代码

随机森林异常检测是一种基于随机森林算法的异常检测方法。下面是一个简单的随机森林异常检测的代码示例：

# 导入所需的库
import numpy as np
from sklearn.ensemble import IsolationForest

# 创建一个随机数据集
X = np.random.randn(1000, 2)

# 创建一个IsolationForest对象
clf = IsolationForest(n_estimators=100, contamination=0.1)

# 训练模型
clf.fit(X)

# 预测样本的异常得分
scores = clf.decision_function(X)

# 根据异常得分判断样本是否为异常
predictions = clf.predict(X)

# 打印预测结果
print(predictions)

上述代码中，首先导入了需要的库，然后创建了一个随机数据集X。接着创建了一个IsolationForest对象clf，其中n_estimators表示随机森林中树的数量，contamination表示异常样本的比例。然后使用fit方法训练模型，使用decision_function方法获取样本的异常得分，使用predict方法判断样本是否为异常，并将结果打印出来。