随机森林回归预测_jupyter notebook

改编自https://www.bilibili.com/video/BV1iJ41127cw?spm_id_from=333.337.search-card.all.click提供的代码。下文为改动之后的代码：

import numpy as np
import pandas as pdfrom sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

导入数据，按9：1划分训练、测试集，随机数定为42（任意）

sediment=pd.read_csv('E:/Resource/Develop/notebook/random_forest.csv')
X=sediment.drop(["S"],axis=1)
y=sediment["S"]
x_train,x_test,y_train,y_test=train_test_split(X,y,random_state=42,test_size=0.1)

优化参数：遍历字典中的参数取值。字典可以根据得到的结果继续更新，缩小上次的字典范围；字典中的数值根据自己的数据特点确定。

#导入随机森林模块
from sklearn.ensemble import RandomForestRegressor
#导入网络搜索交叉验证，网络搜索可以让模型参数按照我们给定的列表遍历，找到效果最好的模型
#交叉验证可以告诉我们模型的准确性
from sklearn.model_selection import GridSearchCV
#构造参数字典，让这三个参数按照列表给定的顺序排列组合遍历一遍
param_grid={'n_estimators':range(5,150,5),#决策树的个数'max_depth':[3,4,5,6,7,8,9],#最大树深，树太深会造成过拟合'max_features':[0.3,0.4,0.6,1,2,3]#决策树划分时考虑的最大特征数
}
#实例化随机森林回归器
rf=RandomForestRegressor(random_state=42)
#一随机森林回归器为基础构造网络搜索回归器
grid=GridSearchCV(rf,param_grid=param_grid,cv=10)#十则交叉验证grid.fit(x_train,y_train)

查看最优参数结果（这一“最优”参数是基于两次random_state=42得到的，一次是随机选取的训练测试集，另一次是随机森林模型当中建模的随机路径，42（或其他任意数字代表某一种随机过程，帮助我们复现该次随机的结果。只要我们下回还用2次random_state=42，就能得到和这回同样的结果）

#查看效果最好的模型
grid.best_params_
#制定效果最好参数对应的模型
rf_reg=grid.best_estimator_
rf_reg

得到模型之后分析参数重要性

#特征重要度分析
rf_reg.feature_importances_

print('特征排序：')
feature_names=X.columns
feature_importances=rf_reg.feature_importances_
indices=np.argsort(feature_importances)for index in indices:print('feature %s (%f)' %(feature_names[index],feature_importances[index]))

参数重要性排序作图

plt.figure(figsize=(7,5))
plt.title('随机森林模型中不同特征的重要程度')
plt.bar(range(len(feature_importances)),feature_importances[indices],color='b')
plt.xticks(range(len(feature_importances)),np.array(feature_names)[indices],color='b')
plt.show()

#可视化测试集上回归预测的结果
result={"labels":y_test,"prediction":rf_reg.predict(x_test)}
result=pd.DataFrame(result)

输出测试集的真实值（labels）和预测值（prediction）

print(result)

根据抽样序号在图中展现真实值和预测值结果（见下面的例图）

result['labels'].plot(style='k.',figsize=(15,5))
result['prediction'].plot(style='r.')
plt.legend(fontsize=15,markerscale=3)#设置图例字号以及图例大小
plt.tick_params(labelsize=15)#设置坐标数字大小
plt.grid()

评估该随机森林回归模型的好坏

#计算测试集的均方误差和均方根误差
from sklearn import metrics
MSE=metrics.mean_squared_error(y_test,rf_reg.predict(x_test))
RMSE=np.sqrt(MSE)
print('(MSE,RMSE)=',(MSE,RMSE))

#计算测试集的R方
from sklearn.metrics import r2_score
print('The value of R-squared of LinearRegression is', r2_score(y_test,rf_reg.predict(x_test)))

随机森林回归预测_jupyter notebook相关推荐

采用支持向量回归（SVR）和随机森林回归预测两种机器学习方法对房价进行预测（附完整代码）
大家好,我是带我去滑雪,每天教你一个小技巧! 本文分别采用支持向量回归(SVR)和随机森林回归预测两种机器学习方法对房价进行预测.随机将数据分为训练集和测试集,比例为8:2,数据和代码均在文末. 1. ...
python实现对森林生物量进行随机森林回归预测
使用随机森林回归预测森林生物量(python) 随机森林算法的基本思想是基于多颗决策树的集成学习过程,使用场景广泛,一般的分类回归问题都可以使用.我们以光学影像为例,来估测森林生物量. 建立回归关系需 ...
r语言随机森林回归预测_从零实现回归随机森林
一.前言回归随机森林作为一种机器学习和数据分析领域常用且有效的算法,对其原理和代码实现过程的掌握是非常有必要的.为此,本文将着重介绍从零开始实现回归随机森林的过程,对于随机森林和决策树的相关理论原理 ...
随机森林回归预测r语言_R包 randomForest 进行随机森林分析
randomForest 包提供了利用随机森林算法解决分类和回归问题的功能:我们这里只关注随机森林算法在分类问题中的应用首先安装这个R包 install.packages("randomF ...
python随机森林回归预测股票，收益率做标签，基本面因子做特征
从BP神经网络训练模型后,想着换个模型训练训练数据集,于是在SVM和随机森林中选择,最后选择了随机森林.随机森林的原理不在这里做详细解释,有大佬比我讲的要好太多.我仅仅是就这我的代码做一些解释. 导入 ...
随机森林回归预测r语言_使用随机森林（R语言）做回归
引言随机森林( random forest) 是一种基于分类树( classification tree) 的算法,它可以用于分类和回归,本文在这里以广西地区1990-2014共25年的GDP数据作 ...
Python电影观众数量回归分析随机森林可视化实验报告
实验代码:Python电影观众数量回归分析随机森林可视化-数据挖掘文档类资源-CSDN文库前言随着经济的发展和人民日益增长的美好生活需要的显著提升,看电影成为了人民群众在闲暇时光娱乐的重要途径.面 ...
Python数据分析案例-利用多元线性回归与随机森林回归算法预测笔记本新品价格
1.前言目的: 本文通过多元线性回归与随机森林算法预测笔记本新品的发售价工具: 语言:Python 3.8 软件:Jupyter Notebook 库:pandas.numpy.matplotli ...
独家 | 用随机森林预测“美版拼多多”商品销量
作者:Andrew Udell 翻译:王闯(Chuck) 校对:廖倩颖本文约2200字,建议阅读8分钟作者基于Kaggle上的Wish数据集,用Python演示了随机森林回归预测商品销量的方法,对 ...
机器学习预测股票收益（一）之随机森林模型
机器学习预测股票收益(一)之随机森林模型前言一.导入库和数据二.处理数据以及计算特征变量三.使用随机森林回归预测股票收益 1.构建训练集和测试集 2.查看预测结果四.根据预测结果构建long ...

随机森林回归预测_jupyter notebook

随机森林回归预测_jupyter notebook相关推荐

最新文章

热门文章