sklearn中随机森林的使用

最新推荐文章于 2025-06-27 09:29:48 发布

原创最新推荐文章于 2025-06-27 09:29:48 发布 · 662 阅读

2 ·

CC 4.0 BY-SA版权

人工智能同时被 2 个专栏收录

16 篇文章

订阅专栏

机器学习操作

15 篇文章

订阅专栏

本文详细介绍如何使用随机森林进行分类预测，并通过GridSearchCV进行参数调优，以提高模型的准确性。文中提供了完整的代码示例，展示了如何训练模型、预测结果及评估模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、数据准备与《sklearn中决策树的使用》中相同，这里不再累述、

2、使用步骤

from sklearn.ensemble import RandomForestClassifier
model_RR=RandomForestClassifier()
model_RR.fit(X_train,y_train)

y_prob = model_RR.predict_proba(X_test)[:,1] # This will give you positive class prediction probabilities  
y_pred = np.where(y_prob > 0.5, 1, 0) # This will threshold the probabilities to give class predictions.
model_RR.score(X_test, y_pred)

print('The AUC of default Random Forest is', roc_auc_score(y_test,y_pred))

from sklearn.ensemble import RandomForestClassifier

model_RR=RandomForestClassifier()

tuned_parameters = {'min_samples_leaf': range(1,10,2), 'n_estimators' : range(1,10,2)}

from sklearn.model_selection import GridSearchCV
RR = GridSearchCV(model_RR, tuned_parameters,cv=10)

RR.fit(X_train,y_train)

print(RR.grid_scores_)

print(RR.best_score_)

print(RR.best_params_)

y_prob = RR.predict_proba(X_test)[:,1] # This will give you positive class prediction probabilities  
y_pred = np.where(y_prob > 0.5, 1, 0) # This will threshold the probabilities to give class predictions.
RR.score(X_test, y_pred)

auc_roc=roc_auc_score(y_test,y_pred)
auc_roc