from sklearn.ensemble import RandomForestClassifier #随机森林 from sklearn.model_selection import train_test_split #数据集划分 from sklearn.metrics import accuracy_score #准确率 from sklearn.metrics import confusion_matrix #混淆矩阵 1 随机森林(RandomForestClassifier) 1.1 案例1 #===导包=== from ...
# 定义特征和目标变量features = [[40], [45], [35], [55], [50], [30]]targets = [100, 105, 90, 120, 115, 85] 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(features, targets, test_size=0.2, random_state=42) # 创建随机森林回归模型rf_m...
A、k折交叉验证是一种与训练-测试划分截然不同的做法。 B、当数据集中的类别数量严重不匹配时,用ROC曲线的AUC指标衡量分类参数的性能会更好。 C、模型的调参就是寻找使模型性能最优的参数,不必考虑资源消耗代价。 D、随机森林和决策树模型都可以很方便的可视化。