python 随机森林分类 代码

该博客介绍了使用Python的sklearn库实现随机森林分类的过程。首先,加载数据并进行预处理,然后将数据划分为训练集和测试集。接着,通过RandomForestClassifier创建模型并进行训练。最后,评估模型在测试集上的表现,包括精度、召回率和F-1分数,并展示了混淆矩阵。
摘要由CSDN通过智能技术生成

python 随机森林分类 代码

#随机森林分类

import pandas as pd
from sklearn.ensemble import RandomForestClassifier  # 导入sklearn库的RandomForestClassifier函数
from sklearn.model_selection import train_test_split
from sklearn import metrics  # 分类结果评价函数

data = pd.read_csv('./wm.csv', index_col=False, encoding='gb18030')
print(data)

'''   
    y    x1    x2    x3
0   1  0.697  0.460   0
1   1  0.774  0.376   0
2   1  0.634  0.264   0
3   1  0.608  0.318   0
4   1  0.556  0.215   0
5   1  0.403  0.237   1
6   1  0.481  0.149   1
7   1  0.437  0.211   1
8   0  0.666  0.091   1
9   0  0.243  0.267   2
10  0  0.245  0.057   2
11  0  0.343  0.099   2
12  0  0.639  0.161   0
13  0  0.657  0.198   0
14  0  0.360  0.370   1
15  0  0.593  0.042   2
16  0  0.719  0.103   1
'''

x = data[['x1', 'x2', 'x3']]  # 特征
y = data['y']  # 标签

# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, train_size=0.8) 
print('训练集和测试集 shape', x_train.shape, y_train.shape, x_test.shape, y_test.shape)

model = RandomForestClassifier()  # 实例化模型RandomForestClassifier
model.fit(x_train, y_train)  # 在训练集上训练模型
print(model)  # 输出模型RandomForestClassifier

# 在测试集上测试模型
expected = y_test  # 测试样本的期望输出
predicted = model.predict(x_test)  # 测试样本预测

# 输出结果
print(metrics.classification_report(expected, predicted))  # 输出结果,精确度、召回率、f-1分数
print(metrics.confusion_matrix(expected, predicted))  # 混淆矩阵

auc = metrics.roc_auc_score(y_test, predicted)
accuracy = metrics.accuracy_score(y_test, predicted)  # 求精度
print("Accuracy: %.2f%%" % (accuracy * 100.0))

随机森林是一种强大的机器学习算法,用于分类和回归问题。它通过结合多个决策树的预测结果来提高预测准确性和鲁棒性。在Python中,我们可以使用scikit-learn库来实现随机森林分类算法。 首先,我们需要导入必要的库和数据集。例如,我们可以使用sklearn.datasets库的load_iris函数加载鸢尾花数据集。 ```python from sklearn import datasets from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 将数据集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) ``` 然后,我们可以创建随机森林分类器,并将其拟合到训练数据上。 ```python # 创建随机森林分类器 rf = RandomForestClassifier(n_estimators=100, random_state=42) # 拟合训练数据 rf.fit(X_train, y_train) ``` 接下来,我们可以使用测试数据对模型进行预测,并计算预测准确性。 ```python # 在测试集上进行预测 y_pred = rf.predict(X_test) # 计算预测准确性 accuracy = accuracy_score(y_test, y_pred) print("预测准确性: ", accuracy) ``` 最后,我们可以根据需要进行更改和调整,例如调整n_estimators(决策树的数量)的来优化模型的性能。 这是一个简单的随机森林分类代码的例子。通过调整参数和进行交叉验证,我们可以进一步改进模型的性能。
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值