数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法学研究如何使用 Python Scikit-learn 创建随机森林分类器？
随机森林是一种监督式机器学习算法，通过在数据样本上创建决策树来用于分类、回归和其他任务。创建决策树后，随机森林分类器收集每个决策树的预测结果，并通过投票的方式选择最佳解决方案。
随机森林分类器的最大优势之一是它通过平均结果来减少过拟合。这就是为什么与单个决策树相比，我们能获得更好结果的原因。
创建随机森林分类器的步骤
我们可以按照以下步骤使用 Python Scikit-learn 创建随机森林分类器：
步骤 1 - 导入所需的库。
步骤 2 - 加载数据集。
步骤 3 - 将数据集划分为训练集和测试集。
步骤 4 - 从 sklearn.ensemble 模块导入随机森林分类器。
步骤 5 - 创建数据集的数据框。
步骤 6 - 创建随机森林分类器，并使用 fit() 函数训练模型。
步骤 7 - 对测试集进行预测。
步骤 8 - 导入指标以查找分类器的准确性。
步骤 9 - 打印随机森林分类器的准确性。
示例
在下面的示例中，我们将使用 Iris 植物数据集来构建随机森林分类器。
# Import required libraries import sklearn import pandas as pd from sklearn import datasets # Load the iris dataset from sklearn iris_clf = datasets.load_iris() print(iris_clf.target_names) print(iris_clf.feature_names) # Dividing the datasets into training datasets and test datasets X, y = datasets.load_iris( return_X_y = True) from sklearn.model_selection import train_test_split # 60 % training dataset and 40 % test datasets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.40) # Import random forest classifier from sklearn assemble module from sklearn.ensemble import RandomForestClassifier # Create dataframe data = pd.DataFrame({'sepallength': iris_clf.data[:, 0], 'sepalwidth': iris_clf.data[:, 1], 'petallength': iris_clf.data[:, 2], 'petalwidth': iris_clf.data[:, 3], 'species': iris_clf.target}) # Create a Random Forest classifier RForest_clf = RandomForestClassifier(n_estimators = 100) # Train the model on the training dataset by using fit() function RForest_clf.fit(X_train, y_train) # Predict from the test dataset y_pred = RForest_clf.predict(X_test) # Import metrics for accuracy calculation from sklearn import metrics print('\n'"Accuracy of our Random Forst Classifier is: ", metrics.accuracy_score(y_test, y_pred)*100)
输出
它将产生以下输出：
['setosa' 'versicolor' 'virginica'] ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] Accuracy of our Random Forst Classifier is: 95.0
让我们使用我们的分类器来预测花卉类型：
# Predicting the type of flower RForest_clf.predict([[5, 4, 3, 1]])
输出
它将产生以下输出：
array([1])
数组([1]) 代表 versicolor 类型。
# Predicting the type of flower RForest_clf.predict([[5, 4, 5, 2]])
输出
它将产生以下输出：
array([2])
这里数组([2]) 代表 virginica 类型。
更新于：2022年10月4日
1K+ 次查看
广告