机器学习：随机森林回归Python实现示例

随机森林是预测分析中最有效的机器学习模型之一，使它成为机器学习的主力。

随机森林模型是一种附加模型，它通过组合来自一系列基础模型的决策来进行预测。更正式地说，我们可以把这类模型写成:

g(x)=f0(x)+f1(x)+f2(x)+…

其中最终的模型“g”是简单的基础模型“fi”的总和。这里，每个基分类器都是一个简单的决策树。这种广泛的使用多个模型以获得更好的预测性能的技术称为model ensembling。在随机森林中，所有的基础模型都是使用不同的数据子样本独立构建的。

使用Python预测基于经验的工资示例：

＃随机森林回归

＃导入库

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

#导入数据集

dataset = pd.read_csv(‘Position_Salaries.csv’)

X = dataset.iloc[:, 1:2].values

y = dataset.iloc[:, 2].values

Position_Salaries.csv

# Fitting Random Forest Regression to the dataset

from sklearn.ensemble import RandomForestRegressor

regressor = RandomForestRegressor(n_estimators = 10, random_state = 0)

regressor.fit(X,y)

＃预测新的结果

y_pred = regressor.predict（6.5）

Output

# 可视化随机森林回归结果（higher resolution）

X_grid = np.arange(min(X), max(X), 0.01)

X_grid = X_grid.reshape((len(X_grid), 1))

plt.scatter(X, y, color = ‘red’)

plt.plot(X_grid, regressor.predict(X_grid), color = ‘blue’)

plt.title(‘Truth or Bluff (Random Forest Regression)’)

plt.xlabel(‘Position level’)

plt.ylabel(‘Salary’)

plt.show()

随机森林回归预测图