Comment écrire un algorithme de forêt aléatoire en Python ?

Comment écrire un algorithme de forêt aléatoire en Python ?

La forêt aléatoire est une puissante méthode d'apprentissage automatique couramment utilisée pour les problèmes de classification et de régression. L'algorithme effectue des prédictions en sélectionnant au hasard des caractéristiques et en échantillonnant des échantillons de manière aléatoire, en créant plusieurs arbres de décision et en intégrant leurs résultats.

Cet article expliquera comment utiliser Python pour écrire l'algorithme de forêt aléatoire et fournira des exemples de code spécifiques.

1. Importez les bibliothèques requises
   Vous devez d'abord importer certaines bibliothèques Python couramment utilisées, notamment numpy, pandas et sklearn. Parmi eux, numpy est utilisé pour le traitement et le calcul des données, pandas est utilisé pour la lecture et le traitement des données, et sklearn contient certaines fonctions qui implémentent l'algorithme de forêt aléatoire.

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. Chargement des données
   Ensuite, nous devons charger l'ensemble de données. Dans cet exemple, nous utilisons un ensemble de données nommé iris.csv, qui contient certaines caractéristiques des fleurs d'iris et les étiquettes de classification correspondantes.

data = pd.read_csv("iris.csv")

3. Prétraitement des données
   Ensuite, nous devons prétraiter les données. Cela inclut la séparation des caractéristiques et des étiquettes et la conversion des variables catégorielles en variables numériques.

# 将特征和标签分开
X = data.drop('species', axis=1)
y = data['species']

# 将分类变量转换成数值变量
y = pd.factorize(y)[0]

4. Ensemble d'entraînement divisé et ensemble de test
   Pour évaluer les performances de la forêt aléatoire, nous devons diviser l'ensemble de données en ensemble d'entraînement et ensemble de test.

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

5. Créer et entraîner un modèle de forêt aléatoire
   Maintenant, nous pouvons utiliser la classe RandomForestClassifier dans sklearn pour créer et entraîner un modèle de forêt aléatoire.

rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

6. Prédire et évaluer les performances du modèle
   En utilisant le modèle entraîné, nous pouvons faire des prédictions sur l'ensemble de test et évaluer les performances du modèle en calculant la précision.

y_pred = rf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

Ce qui précède est un exemple de code complet d'écriture d'un algorithme de forêt aléatoire en Python. Grâce à ces codes, nous pouvons facilement créer et entraîner des modèles forestiers aléatoires, et effectuer des prévisions et des évaluations de performances.

Résumé :
Random forest est une méthode d'apprentissage automatique puissante qui peut résoudre efficacement les problèmes de classification et de régression. Écrire un algorithme de forêt aléatoire en Python est très simple. Il vous suffit d'importer la bibliothèque correspondante, de charger les données, de prétraiter les données, de diviser l'ensemble d'entraînement et l'ensemble de test, de créer et d'entraîner le modèle, et enfin d'effectuer des prédictions et des évaluations de performances. Les exemples de code ci-dessus peuvent aider les lecteurs à démarrer rapidement avec l'écriture et l'application de l'algorithme de forêt aléatoire.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!