在Scikit-learn中,可以使用RandomForestClassifier
类来实现随机森林模型。以下是一个简单的示例代码:
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 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 = RandomForestClassifier(n_estimators=100, random_state=42)
# 在训练集上训练模型
rf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}".format(accuracy))
在上面的代码中,首先加载鸢尾花数据集,然后将数据集划分为训练集和测试集。接着创建一个包含100棵树的随机森林模型,并在训练集上训练该模型。最后在测试集上进行预测并计算准确率。
通过调整n_estimators
参数可以设置森林中树的数量,可以通过调整其他参数来优化模型性能。Scikit-learn中提供了丰富的参数来调整随机森林模型,可以根据具体情况进行调整。