随机森林算法如何用代码实现

随机森林是一种集成学习算法，通过组合多个决策树来进行分类和回归任务，从而提高预测的稳定性和准确性。以下是使用Python中的sklearn库实现随机森林算法的基本示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集作为示例
data = load_iris()
X = data.data
y = data.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林分类器
random_forest_classifier = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
random_forest_classifier.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = random_forest_classifier.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用了sklearn库中的RandomForestClassifier类来实现随机森林分类器。我们加载了鸢尾花数据集作为示例数据，并将数据集分为训练集和测试集。然后，我们创建了一个随机森林分类器并对其进行训练，最后在测试集上进行预测并计算准确率。