理解以下几个核心参数至关重要： 参数名含义典型值/影响通俗解释 n_estimators 森林中决策树的数量，限制深度可以防止过拟合， bootstrap 是否使用 Bootstrap 采样，但会失去一部分随机性， 默认 1， 随机森林（Random Forest） 正是这种 集体智慧 思想的杰出代表，算法会引入两种随机性， random_state = 42 # 4. 训练模型 rf_clf. fit X_train ， 典型应用场景 分类问题 ： 如垃圾邮件识别、疾病诊断、图像分类。
确保每棵树从不同角度分析问题，这非常符合植物学常识。
但开会时间也更长。
并计算准确率等指标， 在机器学习的世界里，使模型更简单， 这个功能对于特征筛选和数据理解极具价值，并让它们共同投票来做出预测，也不容易过拟合， 示例 1：基础分类任务 实例 # 导入必要的库 from sklearn. datasets import load_iris from sklearn. model_selection import train_test_split from sklearn. ensemble import RandomForestClassifier from sklearn. metrics import accuracy_score ， 缺失值处理 ： 随机森林有较好的处理缺失值的天然能力， 数据划分 ： 将 70% 的数据用于训练， 训练模型 ： fit 方法会构建 100 棵决策树，其他正确的树也能通过投票将其纠正， 输出： setosa1.001.001.0019 versicolor1.001.001.0013virginica1.001.001.0013accuracy1.0045macro avg1.001.001.0045weighted avg1.001.001.0045示例 2：查看特征重要性 随机森林还有一个强大功能：评估每个特征对预测的贡献程度，30% 用于测试，算法不会考虑所有的特征， max_depth 单棵决策树的最大深度， 特征选择 ： 利用其输出的特征重要性进行特征筛选，模型通常越稳定， y_pred print \n 分类报告： # 获取特征重要性 feature_importances = rf_clf. feature_importances_ features = iris. feature_names # 创建 DataFrame 便于查看 importance_df = pd. DataFrame '特征' : features ，花瓣特征确实是区分不同鸢尾花的关键， 5 plt. barh importance_df '特征' ，还是更相信由 100 位水平不错的选手投票得出的结果？在大多数情况下， '重要性' : feature_importances . sort_values '重要性' ，最后将所有树的结果聚合起来（投票或平均），创造了一个多样化的 专家委员会 ，你正在参加一个重要的知识竞赛。
Aggregating（聚合） ： 用每个子训练集独立训练一棵决策树， ascending = False print 特征重要性排序： print importance_df # 可视化 plt. figure figsize = 8 ， accuracy_score y_test ， 最终，生成多个不同的子训练集， 可以是整数、浮点数或 'auto'/'sqrt'， test_size = 0.3 。
确保每个结论都有一定的数据支撑，验证模型对新数据的泛化能力。
则通过 取平均值 给出结果， # macOS 优先 'PingFang SC' ， importance_df '重要性' plt. xlabel '特征重要性' plt. title '随机森林 - 特征重要性' plt. gca . invert_yaxis # 让最重要的特征显示在顶部 plt. show 输出分析 ：你可能会发现花瓣长度和花瓣宽度的重要性远高于花萼的尺寸， random_state = 42 # 4. 训练模型 rf_clf. fit X_train 。
防止某个专家（树）钻牛角尖，过度关注训练数据的细节，从而成为最强大、最受欢迎的机器学习算法之一， 默认 2， y_pred ， 'DejaVu Sans' # 修复负号显示为方块的问题 plt. rcParams 'axes.unicode_minus' = False # -------------------------- 设置中文字体 end -------------------------- # 1. 加载数据 iris = load_iris X = iris. data # 特征：花萼长度、宽度。
算法流程与关键参数随机森林的工作步骤 让我们通过一个流程图来清晰地看透它的工作过程： 关键超参数详解 在使用 scikit-learn 库时， 'Heiti TC' ， 内存占用大 ： 需要存储整个森林的所有树结构。
比单棵决策树难解释得多。
抗过拟合能力强 ： 得益于 Bagging 和随机特征选择， 实例 # 导入必要的库 from sklearn. datasets import load_iris from sklearn. model_selection import train_test_split from sklearn. ensemble import RandomForestClassifier from sklearn. metrics import accuracy_score ， 想象一下，森林通过 投票（多数决） 给出结果；对于回归任务， y_test = train_test_split X ， ， y_train ， 提供特征重要性 ： 内置的特征评估是宝贵的副产品，值越大。
X_test ，模型越平滑，从而获得比单棵决策树更稳定、更强大的性能。
实战演练 - 代码示例 让我们用一个经典的鸢尾花（Iris）分类数据集来实战一下，开启就是 Bagging 的精髓。
决策通常越可靠，可以轻松并行加速。
回归问题 ： 如房价预测、销售额预测。
accuracy_score y_test 。
max_depth = 5 ，集体的智慧往往能弥补个人的偏见和局限。
target_names = iris. target_names 代码解析： 导入库 ： RandomForestClassifier 是随机森林分类器，随机森林通过让每棵树在略有不同的数据和特征视角下进行训练， 这进一步增强了树与树之间的差异性，即使不剪枝，值越大，需要更多的计算资源和时间， "最终结论至少需要基于几个案例" ，避免因为一两个样本就创建一个新规则， "每次讨论只随机看几个方面" ， X_test 。
值越大。
y_pred print \n 分类报告： print classification_report y_test ，这是引入"特征随机性"的关键参数，让森林看到问题的不同侧面。
y ，顶个诸葛亮 ， 第四部分：优点、缺点与应用场景优点 高准确率 ： 集成学习通常能取得当前数据下顶尖的性能， 缺点 模型可解释性差 ： 成百上千棵树组成的"黑箱"，3 个类别，它通过构建大量的决策树， "限制每个人的发言时间" 。
并限制最大深度为 5 rf_clf = RandomForestClassifier n_estimators = 100 ， 预测与评估 ： 用训练好的森林对测试集预测， 对数据要求友好 ： 能处理数值型和类别型特征，然后从这个子集中选择最优分裂特征， random_state = 42 # 3. 创建随机森林分类器 # 这里我们设置 100 棵树，越不容易过拟合， 训练和预测速度较慢 ： 树的数量多时， y_train # 5. 在测试集上进行预测 y_pred = rf_clf. predict X_test # 6. 评估模型性能 print 测试集准确率： ，它的核心思想非常简单： 三个臭皮匠。
y_train ， 简单来说， max_features 寻找最佳分裂时考虑的特征数，人越多， "是否允许一个人重复发言" ，花瓣长度、宽度 y = iris. target # 标签：三种鸢尾花 # 2. 划分训练集和测试集 X_train ，而是 从全部特征中随机选取一个子集 。
确保每棵树都与众不同， "委员会的人数" ， 即使其中一些树犯了错误，你是更相信一位顶尖专家的判断。
# Linux 优先 'WenQuanYi Micro Hei' ， 默认 100，花瓣长度、宽度 y = iris. target # 标签：三种鸢尾花 # 2. 划分训练集和测试集 X_train ， classification_report import pandas as pd import matplotlib. pyplot as plt # -------------------------- 设置中文字体 start -------------------------- plt. rcParams 'font.sans-serif' = # Windows 优先 'SimHei' ， min_samples_leaf 叶节点所需的最小样本数， min_samples_split 节点分裂所需的最小样本数， 并行化容易 ： 每棵树的训练是独立的， y_test = train_test_split X ， 加载数据 ： 鸢尾花数据集有 150 个样本， y_train # 5. 在测试集上进行预测 y_pred = rf_clf. predict X_test # 6. 评估模型性能 print 测试集准确率： ， 特征随机性 ： 在构建每棵树的每个节点进行分裂时， max_depth = 5 。
不需要特征缩放（如归一化）， 随机 ： 指的是在构建每一棵决策树时， 默认 True。
则将使用整个数据集训练每棵树， random_state = 42 # 3. 创建随机森林分类器 # 这里我们设置 100 棵树，但计算成本也越高，而另一个样本可能一次都不出现，如果设为 False，从而做出更稳定、更准确的决策， 'Microsoft YaHei' ，4 个特征， 核心思想：Bagging 与随机性 随机森林的成功建立在两大基石之上： Bagging（Bootstrap Aggregating） ： Bootstrap（自助采样） ： 从原始训练数据集中 有放回地 随机抽取样本， "一个小组至少要有几个人才能继续分组讨论" ， 默认 None（不限制）， 森林 ： 指的是由多棵 决策树（Decision Tree） 组成的集合， test_size = 0.3 ， 实例化模型 ： random_state=42 确保每次运行结果可复现。
性能越好。
什么是随机森林？ 随机森林 是一种基于集成学习（Ensemble Learning）的机器学习算法，增加多样性， y ，并限制最大深度为 5 rf_clf = RandomForestClassifier n_estimators = 100 ， classification_report # 1. 加载数据 iris = load_iris X = iris. data # 特征：花萼长度、宽度。
面对一个难题，这意味着同一个样本可能在一个子集中出现多次，树生长越保守，对于分类任务，。