2024年最新Python随机森林调参红酒品质预测(1)，2024年最新高级开发工程师面试题

本文链接：https://blog.csdn.net/2401_84140384/article/details/138695434

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

4.划分x，y 训练集和测试集

以y1作为target值


y = dataSet["quality"];  #将 quality 作为target

x = dataSet.drop("quality",axis=1); # 其他作为属性

# 将葡萄酒分成两组   >5为 好酒   为1   小于5为1

y1 = (y>5).astype(int); #改变np.array中所有数据元素的数据类型。

#print(y1);

# 分 训练集合测试集合 7:3

xtrain,xtest,ytrain,ytext = model_selection.train_test_split(x,y1,test_size=0.3,random_state=1);

5.交叉验证用训练集进行交叉训练看看不进行调参的 score为多少


RF_clf = RandomForestClassifier();

cv_score = model_selection.cross_val_score(RF_clf,xtrain,ytrain,scoring='accuracy',cv=10);  #scoring='accuracy' 正确率

print("cv_score",cv_score);

print("cv_score_mean",cv_score.mean());  #mean()平均值

输出

在这里插入图片描述

此时什么参数都没有调平均的score已经达到0.7998

6.调参

我们首先调n_estimators

默认的n_estimators值是100，

我们让n_estimators从50开始每次加10 最高到300 运行看平均score有什么变化


n_estimators_score = [];

for n in np.arange(50,300,10):

    RF_clf = RandomForestClassifier(n_estimators=n);

    cv_score = model_selection.cross_val_score(RF_clf, xtrain, ytrain, scoring='accuracy',cv=10);  # scoring='accuracy' 正确率

    n_estimators_score.append(cv_score.mean());

plt.figure();

plt.plot(np.arange(50,300,10),n_estimators_score);

plt.show();

输出

在这里插入图片描述

我们可以看到此时score在0.7825-0.801波动

在70左右取得较高的值

所有我们进一步让n_estimators从60取到80 看看具体那一个值最好

这次我们直接用GridSearchCV


param_grid = {'n_estimators':range(60,80,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

rfc1.fit(xtrain,ytrain);

print("best_params_",rfc1.best_params_);

print("best_score_",rfc1.best_score_);

输出

在这里插入图片描述

现在就以n_estimators=79为值调一下max_depth


param_grid = {'n_estimators':[79],'max_depth':range(5,30,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

rfc1.fit(xtrain,ytrain);

print("best_params_",rfc1.best_params_);

print("best_score_",rfc1.best_score_);

输出

在这里插入图片描述

增长了0.003左右

我们继续在以上两个值的基础上调一下min_samples_leaf


param_grid = {'n_estimators':[79],'max_depth':[24],'min_samples_leaf':range(1,10,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

rfc1.fit(xtrain,ytrain);

print("best_params_",rfc1.best_params_);

print("best_score_",rfc1.best_score_);

输出

在这里插入图片描述

可以看到调优之后反而没有原来的好，那基本就说明调优之后复杂度减少反而不好所以我们就增大特征来看看让复杂度增大试试看


param_grid = {'n_estimators':[79],'max_depth':[24],'max_features':range(3,10,1)};

rfc1 = model_selection.GridSearchCV(RandomForestClassifier(),param_grid=param_grid,cv=5);

rfc1.fit(xtrain,ytrain);

print("best_params_",rfc1.best_params_);

print("best_score_",rfc1.best_score_);

输出