sklearn实现随机森林算法（RF）

最新推荐文章于 2025-10-22 09:34:37 发布

原创最新推荐文章于 2025-10-22 09:34:37 发布 · 5.9k 阅读

3 ·

CC 4.0 BY-SA版权

学习笔记专栏收录该内容

18 篇文章

订阅专栏

本文介绍了一个使用随机森林分类器进行预测的任务，并展示了如何利用AUC得分和精确度得分来评估模型性能。从加载特征和标签数据开始，通过训练随机森林模型并对测试集进行预测，最终计算并打印了模型的AUC得分和精确度得分。

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import precision_score,roc_auc_score

'''

导入数据的过程，可以直接读取csv文件，通过X_train,X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.33)

方法得到训练集和测试集。参考前面LR的实现代码

'''

X_train = np.load("./data/train_feature_1.npy")
X_test = np.load('./data/test_feature_1.npy')
Y_train = np.load('./data/train_label_1.npy')
Y_test = np.load('./data/test_label_1.npy')

rf = RandomForestClassifier()
rf.fit(X_train,Y_train)
pre_test = rf.predict(X_test)

auc_score = roc_auc_score(Y_test,pre_test)
pre_score = precision_score(Y_test,pre_test)

print("auc_score,pre_score:",auc_score,pre_score)