随机森林在分类问题中的应用(sklearn的RandomForestClassifier)

一、导入相关模块

import  pandas as pd　　
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.cross_validation import cross_val_score, ShuffleSplit

pandas   对文件数据进行基本操作

numpy　对数据进行计算的库

sklearn.cross_validation　　用来划分训练集，测试集

二、导入数据

data=pd.read_csv('aa.csv')  #文件是aa.csv

看看数据的基本形状

data.head()

三、数据预处理

对于缺失的数据一般有删除行，删除列，拟合补充，均值补充等方法。这儿选择用零来填充

data=data.fillna(0)
data.head()

划分数据集，产生训练数据，测试数据

Train, Test = cross_validation.train_test_split(data, 
                                                test_size=0.2, 
                                                random_state=0)
train_y=Train['是否购买']
t=Train.pop('用户编号')
bb=Train.pop('是否购买')
test_y=Test['是否购买']
t_test=Test.pop('用户编号')
bb_test=Test.pop('是否购买')

四、构建模型，训练

train_x=Train
x_train=train_x.values
y_train=np.array(train_y)
test_x=Test
x_test=test_x.values
y_test=np.array(test_y)
rf = RandomForestClassifier(n_estimators=22, max_depth=4)
rf.fit(x_train,y_train)

五、模型测试

rf.predict(x_test

六、说明

RandomForestClassifier　模型的参数详情见　点击打开链接　官方英文版本

模型的最佳参数可以用网格搜索的方法，本文没有做，参数没有调优。

数据来源用户商品推荐系统