資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法學研究如何使用 Python Scikit-learn 建立隨機森林分類器？
隨機森林是一種監督式機器學習演算法，透過在資料樣本上建立決策樹來用於分類、迴歸和其他任務。建立決策樹後，隨機森林分類器收集每個決策樹的預測結果，並透過投票的方式選擇最佳解決方案。
隨機森林分類器的最大優勢之一是它透過平均結果來減少過擬合。這就是為什麼與單個決策樹相比，我們能獲得更好結果的原因。
建立隨機森林分類器的步驟
我們可以按照以下步驟使用 Python Scikit-learn 建立隨機森林分類器：
步驟 1 - 匯入所需的庫。
步驟 2 - 載入資料集。
步驟 3 - 將資料集劃分為訓練集和測試集。
步驟 4 - 從 sklearn.ensemble 模組匯入隨機森林分類器。
步驟 5 - 建立資料集的資料框。
步驟 6 - 建立隨機森林分類器，並使用 fit() 函式訓練模型。
步驟 7 - 對測試集進行預測。
步驟 8 - 匯入指標以查詢分類器的準確性。
步驟 9 - 列印隨機森林分類器的準確性。
示例
在下面的示例中，我們將使用 Iris 植物資料集來構建隨機森林分類器。
# Import required libraries import sklearn import pandas as pd from sklearn import datasets # Load the iris dataset from sklearn iris_clf = datasets.load_iris() print(iris_clf.target_names) print(iris_clf.feature_names) # Dividing the datasets into training datasets and test datasets X, y = datasets.load_iris( return_X_y = True) from sklearn.model_selection import train_test_split # 60 % training dataset and 40 % test datasets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.40) # Import random forest classifier from sklearn assemble module from sklearn.ensemble import RandomForestClassifier # Create dataframe data = pd.DataFrame({'sepallength': iris_clf.data[:, 0], 'sepalwidth': iris_clf.data[:, 1], 'petallength': iris_clf.data[:, 2], 'petalwidth': iris_clf.data[:, 3], 'species': iris_clf.target}) # Create a Random Forest classifier RForest_clf = RandomForestClassifier(n_estimators = 100) # Train the model on the training dataset by using fit() function RForest_clf.fit(X_train, y_train) # Predict from the test dataset y_pred = RForest_clf.predict(X_test) # Import metrics for accuracy calculation from sklearn import metrics print('\n'"Accuracy of our Random Forst Classifier is: ", metrics.accuracy_score(y_test, y_pred)*100)
輸出
它將產生以下輸出：
['setosa' 'versicolor' 'virginica'] ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] Accuracy of our Random Forst Classifier is: 95.0
讓我們使用我們的分類器來預測花卉型別：
# Predicting the type of flower RForest_clf.predict([[5, 4, 3, 1]])
輸出
它將產生以下輸出：
array([1])
陣列([1]) 代表 versicolor 型別。
# Predicting the type of flower RForest_clf.predict([[5, 4, 5, 2]])
輸出
它將產生以下輸出：
array([2])
這裡陣列([2]) 代表 virginica 型別。
更新於：2022年10月4日
1K+ 次檢視
廣告