这篇文章主要介绍了大蟒实现H2O中的随机森林算法介绍及其项目实战，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2O中的随机森林算法介绍及其项目实战（python实现）
包的引入：来自H2O。评估人员。随机_森林导入h2orandomforestestestimator
H2ORandomForestEstimator 的常用方法和参数介绍：
（一)建模方法：
模型=H2 orandomforestestestimator(n trees=n，max_depth=m)
model.train(x=random_pv.names，y='Catrgory '，training_frame=trainData)
通过列车数据来构建随机森林模型，模型。火车中的列车数据：训练集，x:预测变量名称，y:预测响应变量的名称
（二)预测方法：
H2 orandomforestestestimator。预测(模型，测试数据)利用训练好的模型来对测试集进行预测，其中的型号：训练好的模型，测试数据：测试集。
（三)算法参数说明：
(1)ntrees:构建模型时要生成的树的棵树。
(2)最大深度：每棵树的最大深度。
项目要求：
题目一：利用train.csv中的数据，通过H2O框架中的随机森林算法构建分类模型，然后利用模型对test.csv中的数据进行预测，并计算分类的准确度进而评价模型的分类效果；通过调节参数，观察分类准确度的变化情况。注：准确度=预测正确的数占样本数的比例
题目二：通过H2o流量的随机森林算法，用同题目一中所用同样的训练数据和参数，构建模型；参看模型中特征的重要性程度，从中选取前8个特征，再去训练模型，并重新预测结果，进而计算分类的准确度。
需求完成内容：2个题目的代码，认为最好的准确度的输出值和试验数据与预测结果合并后的数据集，命名为预测。战斗支援车
大蟒实现代码如下：
(1) 题目一：
#手动进行调节参数得到最好的准确率
进口熊猫作为螺纹中径
将numpy作为铭牌导入
将matplotlib.pyplot作为plt导入
导入h2o
h2o.init()
从h2o.estimators.random_forest导入h2orandomforestestestimator
从__未来_ _进口部门
df=h2o.import_file('train.csv ')
trainData=df[2:]
模型=H2 orandomforestestestimator(n trees=6，max_depth=16)
model.train(x=trainData.names，y='Catrgory '，training_frame=trainData)
df2=h2o.import_file('test.csv ')
test_data=df2[2:]
H2 orandomforestestestimator。预测(模型，测试数据)
predict=df2.concat(pre_tag)
df new=predict[predict[' Catrgory ']==predict[' predict ']]
精度=df新值。nrow/预测。nrow
打印（精确)
h2o.download_csv(predict，' predict.csv ')
运行结果最好为87.0833%-6-16,如下
#for循环进行调节参数得到最好的准确率
进口熊猫作为螺纹中径
将numpy作为铭牌导入
将matplotlib.pyplot作为plt导入
导入h2o
h2o.init()
从h2o.estimators.random_forest导入h2orandomforestestestimator
从__未来_ _进口部门
df=h2o.import_file('train.csv ')
trainData=df[2:]
df2=h2o.import_file('test.csv ')
test_data=df2[2:]
精度=0
nt=0
md=0
对于范围内的一(1.50):
对于范围(1,50)内的j:
模型=H2 orandomforestestestimator(ntrees=I，max_depth=j)
model.train(x=trainData.names，y='Catrgory '，training_frame=trainData)
H2 orandomforestestestimator。预测(模型，测试数据)
predict=df2.concat(pre_tag)
df new=predict[predict[' Catrgory ']==predict[' predict ']]
p=dfnew.nrow/predict.nrow
如果精度p:
精度=p
nt=i
md=j
打印（精确)
打印（一)
印刷(j)
h2o.download_csv(predict，' predict.csv ')
运行结果最好为87.5%-49-49,如下
(2)题目二：建模如下，之后挑出排名前8的特征进行再次建模
#手动调节参数得到最大准确率
进口熊猫作为螺纹中径
将numpy作为铭牌导入
将matplotlib.pyplot作为plt导入
导入h2o
h2o.init()
从h2o.estimators.random_forest导入h2orandomforestestestimator
从__未来_ _进口部门
df=h2o.import_file('train.csv ')
trainData=df[['Average_speed '，' r_a '，' r_b '，' v_a '，' v_d '，' Average_RPM '，' Variance_speed '，' v_c '，' Catrgory']]
df2=h2o.import_file('test.csv ')
test_data=df2[['Average_speed '，' r_a '，' r_b '，' v_a '，' v_d '，' Average_RPM '，' Variance_speed '，' v_c '，' Catrgory']]
model=H2 orandomforestestestimator(ntrees=5，max_depth=18)
model.train(x=trainData.names，y='Catrgory '，training_frame=trainData)
H2 orandomforestestestimator。预测(模型，测试数据)
predict=df2.concat(pre_tag)
df new=predict[predict[' Catrgory ']==predict[' predict ']]
精度=df新值。nrow/预测。nrow
打印（精确)
h2o.download_csv(predict，' predict.csv ')
运行结果最好为87.5%-5-18,如下
#for循环调节参数得到最大正确率
进口熊猫作为螺纹中径
将numpy作为铭牌导入
将matplotlib.pyplot作为plt导入
导入h2o
h2o.init()
从h2o.estimators.random_forest导入h2orandomforestestestimator
从__未来_ _进口部门
df=h2o.import_file('train.csv ')
trainData=df[['Average_speed '，' r_a '，' r_b '，' v_a '，' v_d '，' Average_RPM '，' Variance_speed '，' v_c '，' Catrgory']]
df2=h2o.import_file('test.csv ')
test_data=df2[['Average_speed '，' r_a '，' r_b '，' v_a '，' v_d '，' Average_RPM '，' Variance_speed '，' v_c '，' Catrgory']]
精度=0
nt=0
md=0
对于范围内的一(1.50):
对于范围(1,50)内的j:
模型=H2 orandomforestestestimator(ntrees=I，max_depth=j)
model.train(x=trainData.names，y='Catrgory '，training_frame=trainData)
H2 orandomforestestestimator。预测(模型，测试数据)
predict=df2.concat(pre_tag)
df new=predict[predict[' Catrgory ']==predict[' predict ']]
p=dfnew.nrow/predict.nrow
如果精度p:
精度=p
nt=i
md=j
打印（精确)
打印（一)
印刷(j)
h2o.download_csv(predict，' predict.csv ')
运行结果最好为87.5%-49-49,如下
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。
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。