AI人工智能随机森林分类器

文章编号：2683 / 分类：技术教程 / 更新时间：2024-05-17 14:44:18 / 浏览：次

恭喜您成为首批注册用户

集成方法是将机器学习模型组合成更强大的机器学习模型的方法。随机森林是决策树的集合，就是其中之一。它比单一决策树好，因为在保留预测能力的同时，通过平均结果可以减少过度拟合。在这里，我们将在scikit学习癌症数据集上实施随机森林模型。

导入必要的软件包-

fromsklearn.enSEMbleimportRandomForestClassifierfromsklearn.model_selectionimporttrain_test_splitfromsklearn.datasetsimportload_breast_cancercancer=load_breast_cancer()importmatplotlib.pyplotaspltimportnumpyasnp AI人工智能随机森林分类器

现在，需要按照以下方式提供数据集

cancer=load_breast_cancer()X_train,X_test,y_train,y_test=train_test_split(cancer.data,cancer.target,random_state=0)

在提供数据集之后，需要拟合可以如下完成的模型-

forest=RandomForestClassifier(n_estimators=50,random_state=0)forest.fit(X_train,y_train)

现在，获得训练以及测试子集的准确性:如果增加估计器的数量，那么测试子集的准确性也会增加。

print('Accuracyonthetrainingsubset:(:.3f)',format(forest.score(X_train,y_train)))print('Accuracyonthetrainingsubset:(:.3f)',format(forest.score(X_test,y_test)))

上面代码，输出结果如下所示-

Accuracyonthetrainingsubset:(:.3f)1.0Accuracyonthetrainingsubset:(:.3f)0.965034965034965

现在，与决策树一样，随机森林具有feature_importance模块，它将提供比决策树更好的特征权重视图。它可以如下绘制和可视化-

n_features=cancer.data.shape[1]plt.barh(range(n_features),forest.feature_importances_,align='center')plt.yticks(np.arange(n_features),cancer.feature_names)plt.xlabel('FeatureImportance')plt.ylabel('Feature')plt.show()

执行上面代码，得到以下输出结果-

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能随机森林分类器、

本文地址：https://www.badfl.com/article/95be9ebe6c72981bffb2.html

上一篇：AI人工智能分类器的性能...
下一篇：AI人工智能决策树分类器...