ML 100day eightday（random forest）

随机森林是有监督的集成学习模型（ensemble—learning model）主要用于分类和回归。随机森林算法分为两步。第一步是创建决策树，第二步是根据第一步中决策树的分类器结果做出决策，

随机森林预测过程：
1、使用一个随机创建的决策树的规则来预测测试特征的结果（目标）
2、计算每个预测目标的票数
3、获得票数最高的预测目标视为随机森林算法的最终预测

核心代码：
#创建分类器对象
from sklearn.ensemble import RandomForestClassifier
#RandomForestClassifier
“”“class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=‘gini’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=’auto’, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, bootstrap=True, oob_score=False, n_jobs=1, random_state=None, verbose=0, warm_start=False, class_weight=None)
参数详解： n_estimators ：The number in the forest 森林中决策树的数目
criterion 标准，准则，原则 default为gini
max_features：默认值为auto 最佳分割时需要考虑的特征数目
max_depth 决策树最大树深
“””
classifier = RandomForestClassifier(n_estimators=10,criterion=‘entropy’,random_state = 0) #决策树10颗、区分特征标准为信息熵，随机种子默认null
classifier.fit(X_train,Y_train)