Scikit-learn中怎么实现随机森林

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。