随机森林结果分析,随机森林是线性模型吗

　　使用随机森林模型来训练和交叉验证数据集。

　　数据矩阵：allmatrix标签:目标随机森林培训来自sk学习。集成导入随机森林分类器来自sk学习。模型_选择导入训练_测试_分割来自sk学习。模型选择导入交叉值得分来自sk学习。指标将混淆矩阵作为CM导入来自sk学习。指标导入accuracy _ score为ACCS Xtrain，Xtest，Ytrain，Ytest=train _ test _ split(all matrix，target，test_size=0.3，random _ state=420)RFC=RandomForestClassifier(n _ estimates=100格式（分数))RFC第一次培训测试分数：0.8417841962046704打印(培训数据分数：{} 。格式(rfc.score(Xtrain，Ytrain)))训练数据得分：0.99946644308091CM _ RFC=CM(Ytest，pred_rfc) cm_rfcarray([[23340，4507]，[ 4389，23991]]) CV=5 cross_val交叉验证score_val=cross_val_score(rfc，allmatrix，target，cv=5)print( RFC n _ estimator=100 cv=5 corss验证分数：{ } .format(score _ val))RFC n _ estimator=100 cv=5 corss验证分数：[0.82998986 0.84630776 0.86231459 0.81141287 0.82240423]score _ val。平均值()0.8344848485增加n _ estimators=200 score=RFC 200。score(Xtest，Ytest)print( RFC n _ estimators=200训练测试分数：{} 。格式(分数))RFC n _ estimator=200训练测试分数：0.84733658207使用criterion=entropy RFC=RandomForestClassifier(n _ estimators=100，criterion= entropy ，random_state=90，n_jobs=-1) rfc=rfc.fit(Xtrain，Ytrain) rfc.score(Xtest，Ytest)0.8427445888985718 entr _ val=cross _ val _ score(RFC，allmatrix，target，cv=5) entr_valarray([0.83004322，0 .准确率低于默认参数时的模型

　　调整对于范围(2,22,2)中的我，最大深度scorel=[]:RFC=RandomForestClassifier(n _ estimators=130，n_jobs=-1，max_depth=i.随机状态=90).score=cross_val_score(rfc，allmatrix，target，cv=5).平均值().scorel.append(分数).打印(最大深度优化及其值)最大深度优化及其值print(max(scorel)，((scorel。index(max(scorel))1)* 2))0.834336482169649 20影响不大调整max-features now()分数2=[]features=范围(35，71，5)I英寸特性：RFC=RandomForestClassifier(n _ estimators=100，n_jobs=-1，max_features=i，random_state=90).score=cross_val_score(rfc，allmatrix，target，cv=5).平均值().得分2。追加(得分)打印(最高(得分2)，(特色[得分2。index(max(得分2))]))0.83686666666使用标准化后的数据模型效果无明显提升RFC=RandomForestClassifier(n _ estimators=100，random_state=90，n _ jobs=-1)RFC=RandomForestClassifier(n _ estimators=100，random_state=90，n _ jobs=-1)Xstd _ val=cross _ val _ score(RFC，X_std，target，cv=5) Xstd_valarray([0.83001654，0.84582755，0.86226123，0 .使用归一化的数据模型效果无明显提升从sklearn .预处理导入minmax scaler scaler=minmax scaler()X _ mm=scaler。fit _ transform(all matrix)/homes/xiaohu Zou/anaconda 3/lib/python 3.7/site-packages/sk learn/utils/validation。py:595:数据转换警告：输入数据类型为int16的数据被最小最大缩放器转换为浮动64 .warnings.warn(msg，DataConversionWarning)Xstd _ mm=cross _ val _ score(RFC，X_mm，target，cv=5) Xstd_mmarray([0.82974977，0.84718813，0.86228791，0.81135951，0.82240423])Xstd _ mm . mean()0.83459791111592结论使用随机森林模型最多只能使准确率达到84%左右，无法进一步提升。如果想要更好的表现，需要使用其他模型

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。