在测试集上进行预测
y_pred = rf.predict(X_test)
计算模型准确率
accuracy = accuracy_score(y_test, y_pred) print(“模型准确率:”, accuracy)
#### 1.1、对应输出  ### 2.随机森林混淆矩阵结果
<------------------随机森林混淆矩阵结果----------------------->
读取数据
data = pd.read_csv(‘C:\Users\31425\Desktop\新建文件夹\序列\蒿属1.csv’) labels = data[‘species’] data = data.drop(‘species’, axis=1)
拆分数据集
train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42)
创建随机森林分类器
rfc = RandomForestClassifier(n_estimators=100, random_state=42)
训练模型
rfc.fit(train_data, train_labels)
进行预测
predictions = rfc.predict(test_data)
计算混淆矩阵
cm = confusion_matrix(test_labels, predictions) print(cm)
#### 2.1矩阵结果在这里插入图片描述 ### 3、随机森林对影响蒺藜科花粉判别的自变量重要性基尼系数排序图
《--------------随机森林对影响蒺藜科花粉判别的自变量重要性基尼系数排序图-------------------》
读取数据
data = pd.read_csv(‘C:\Users\31425\Desktop\新建文件夹\序列\蒿属1.csv’)
将数据集分为自变量和因变量
X = data.drop(‘species’, axis=1) y = data[‘species’]
训练随机森林模型
model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X, y)
绘制特征重要性排序图
feature_importances = model.feature_importances_ feature_names = X.columns.values indices = np.argsort(feature_importances)[::-1] plt.bar(range(X.shape[1]), feature_importances[indices])
在每个柱子上添加文本标签
ontainer = plt.bar(range(X.shape[1]), feature_importances[indices]) padding = 0.01 for rect in plt.bar(range(X.shape[1]), feature_importances[indices]): height = rect.get_height() plt.text(rect.get_x() + rect.get_width() / 2, height + padding, f"{height:.3f}", ha=“center”, va=“bottom”) plt.xticks(range(X.shape[1]), feature_names[indices], rotation=90) plt.rcParams[‘font.family’] = ‘sans-serif’ plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 设置中文字体为黑体 plt.title(“随机森林对影响蒺藜科花粉判别的自变量重要性基尼系数排序图”) plt.show()
#### 自变量重要性基尼系数排序图 ### 最后 > **🍅 硬核资料**：关注即可领取PPT模板、简历模板、行业经典书籍PDF。 > **🍅 技术互助**：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。 > **🍅 面试题库**：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。 > **🍅 知识体系**：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。 **网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。** **[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)** **一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
