#随机森林要 model3= RandomForestClassifier(n_estimators=1000, max_features='sqrt',random_state=10)补充代码实现3分类

随机森林（Random Forest）是一种集成学习方法，通过构建多个决策树并取它们预测结果的多数投票来提高模型的稳定性和性能。对于多分类任务，我们可以直接使用`RandomForestClassifier`类，并设置相应的参数。在这个例子中，`n_estimators`指定了树的数量，`max_features`决定了每次节点划分时选择的最大特征数，`random_state`用于保证每次运行的结果一致性。

下面是如何用`model3`进行三分类的代码实现：

from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 假设已经准备好特征数据X和对应标签y，且y包含三个类别
# 需要注意的是，随机森林的类别标签通常从0开始，所以如果是数字型标签，可能需要调整

# 检查y的类别标签是否正确
assert np.unique(y).size == 3, "Label array should have exactly 3 unique values."

model3 = RandomForestClassifier(n_estimators=1000, 
                               max_features='sqrt', 
                               random_state=10)  # 设置参数
model3.fit(X, y)

训练完成后，你可以使用`predict`方法对新的数据进行分类预测。