随机森林主要应用于回归和分类。
可以输入大部分数据。 然后用爱丽思欧雅玛的数据进行分类和预测
环境python3.8
数据集光圈数据集
efdataset(self ) : iris=load_iris ) ) feature=PD.dataframe ) data=iris.data， columns=iris.feature _ names (target=PD.data frame (data=map ) lambda item 3360 iris.target _ names ) item，IRR feature_test，target_train，target _ test=_ train _ test _ } test _ size=0.3 ) return feature_train，featun
首先训练10个基分类器，每个基分类器是一个决策树； 在预测时统计性地逆运算各基分类器投票结果，选择投票数最多的结果，其中各树的生长状况如下
如果训练集中的案例数为n，则随机采样n个案例。 但是，将从原始数据中替换。 此示例将成为树木栽培培训集。
如果存在m输入变量，请指定数值mM，以便在每个节点上从m中随机选择m变量，这些m上的最佳分割用于节点分割。 在森林生长期间，m的值不变。
所有的树都尽可能地生长。 没有修剪。
浏览随机森林官方网站说明
fit训练
默认(self，feature=None，label=None ) ) :“”训练模型。 请将模型保存到self.models 3360 param feature 3360培训集数据中。 类型为ndarray3360。类型为nd array : return : none ' ' * * * * * * * * * begin * * * * * * * * begin n=len(feature ) forIinrangin frac=1采样可重复采集(采样仅包含特征数据) randomSamples=feature.sample(n ) n，replace=top axis=0) )在所有特征m中随机选择m个特征无重叠0.75表示4*0.75=3个特征random features=random samples.sample (frac=0. 75 ) axis=1) #标记此模型中选定的特征tags=self.connect (random features.columns.to list ) target_name #，其索引与示例中的索引相同将random lable=label.loc [ random samples.index.to list (， ) # for I，jinzip (random features.index.to list ) ] j ) model=DecisionTreeClassifier ) model=model.fit ) randomfeation random lable (self.models.append ) { tags : mord
defpredict(self，features， target ) :“”: param features :测试集数据，类型为ndarray :param target:测试集可重构，类型为ndarray :return: * * * * * * * begin * * * * * * * * * * * * # result=[ ] vote=[ ] formodelinself.models 3333 (0).split(000 ) ) 330 foriine ) forine )将r=list ) model.values #阵列转换为矩阵的第十行第四十五列对每棵树的投票结果进行排序，得到最大的v=sorted(counter(vote[:i] ).items )、key=lambda x: x[1]、 reverse=True )，并比较投票情况和实际标签(Prrot list(target(I ) ) result.append ) v(0) ) return result (* * * * * * * )
if _ _ name _=' _ _ main _ ' : BCF=bagging classifier (featureandtarget=BCF.dataset ) BCF.fit ) BCF.fit fatureandtarget [2] (RES=BCF.predict (features=featureandtarget [1]，target=featureandtarget[3] ) target )
你知道精确度很高吧。 可以调整特征数m的参数，精度也不同。