《scikit-learn》随机森林之回归

最新推荐文章于 2025-09-04 15:56:04 发布

原创最新推荐文章于 2025-09-04 15:56:04 发布 · 1.5k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#scikit-learn #随机森林

机器学习同时被 2 个专栏收录

47 篇文章

订阅专栏

Python

45 篇文章

订阅专栏

本文通过一个实际案例展示了如何使用随机森林进行回归分析。从加载数据集开始，逐步介绍了模型的建立过程，包括定义随机森林回归器、交叉验证及评估指标的选择，并通过预测结果对比验证了模型的有效性。

今天我们学习下随机森林做回归的用法
话不多说直接上测试代码，看的更加清晰，总体上和回归树是一样的使用流程

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestRegressor
import sklearn

# 加载连续型数据，boston房价
boston = load_boston()

# 定义随机森林回归树
reg = RandomForestRegressor(criterion='mse', n_estimators=100, random_state=0)
print(sorted(sklearn.metrics.SCORERS.keys()))  # 模型的所有的评估打分指标， neg_mean_squared_error 也在其中

# 使用交叉验证接口进行测试
scores = cross_val_score(reg, boston.data, boston.target, cv=10, scoring="neg_mean_squared_error")  # scoring 默认 R平方
print(scores)

reg = reg.fit(boston.data, boston.target)

# 使用predict接口，看看预测的效果噻
print(boston.target[0:10])
res = reg.predict(boston.data)
print(res[0:10])