Python 随机森林算法示例 - 鸢尾花数据集分类

以下是一个简单的随机森林算法示例代码，使用 Python 的 Scikit-learn 库对鸢尾花数据集进行分类：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建随机森林分类器
clf = RandomForestClassifier(n_estimators=100)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出模型准确率
print('Accuracy:', clf.score(X_test, y_test))

在这个示例中，我们使用了 Scikit-learn 库中的 RandomForestClassifier 类来创建一个随机森林分类器。我们使用 load_iris 函数加载了鸢尾花数据集，并使用 train_test_split 函数将数据集分为训练集和测试集。我们创建了一个拥有 100 棵决策树的随机森林模型，然后用训练集训练模型。最后，我们使用模型对测试集进行预测，并输出模型的准确率。