Python机器学习手册：从数据预处理到深度学习

14.4

　训练随机森林分类器

｜

243

14.4

　训练随机森林分类器

问题描述

训练一个随机森林分类器模型。

解决方案

使用

scikit-learn

中的

RandomForestClassier

训练随机森林分类器模型 ：

#

加载库

from sklearn.ensemble import RandomForestClassifier

from sklearn import datasets

#

加载数据

iris = datasets.load_iris()

features = iris.data

target = iris.target

#

创建随机森林分类器对象

randomforest = RandomForestClassifier(random_state=0, n_jobs=-1)

#

训练模型

model = randomforest.fit(features, target)

讨论

决策树有一个常见问题，即倾向于紧密地拟合训练数据（过拟合）。这使得

随机森林

这

种集成学习方法被普遍应用。在随机森林中，许多决策树同时被训练，但是每棵树只接

收一个自举的（

bootstrapped

）样本（即有放回的随机抽样，抽样次数与原始样本数相同），

并且每个节点在确定最佳分裂时只考虑全部特征的一个子集。这个由随机决策树组成的

森林（随机森林因此而得名）通过投票决定样本的预测分类。

将此解决方案与

14.1

节的进行比较，可以发现

scikit-learn

的

RandomForestClassier