随机森林
本课属于 Coddy Machine Learning 学习旅程的“监督学习”单元。第 41 课，共 58 课。
一棵决策树不够稳定：只要改动几行训练数据，它提出的问题就会变。这个章节会通过同时询问许多棵决策树，让结果更稳定。
随机森林会训练很多棵树，并让它们投票。这里有 7 棵树为一个间歇泉投票：
在代码中，还要再拟合一个模型：
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=100, random_state=0)
forest.fit(X_train, y_train)
print(forest.score(X_test, y_test))在 300 个间歇泉日的数据上，这会输出 0.893，其中一棵树的得分是 0.813。n_estimators 表示树的数量。
选民越多，错误越少。
挑战
中等导盲犬学校想尽早知道哪些幼犬能通过资格评定。起始代码会拆分 puppies.csv、评估一棵树，并读取树的数量。
- 训练一个包含指定数量树的森林（
random_state=0），并输出其测试准确率。 - 输出哪个模型获胜以及领先多少，或者输出
A tie。
换一所学校，并使用 50：
Single tree: 0.740
Forest: 0.860
The forest wins by 0.120然后试试 1：只有一棵树的森林表现出奇地差。下一课会解释原因。
亲手试试
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
# 导盲犬学校的幼犬：平静程度、专注程度和听到巨响时的受惊程度（1 到 10），
# 体重、与寄养家庭相处的月数，以及是否具备导盲犬资格（是为 1，否为 0）
puppies = pd.read_csv("puppies.csv")
X = puppies[["calmness", "focus", "noise_startle", "weight_kg", "months_with_family"]]
y = puppies["qualified"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
trees = int(input())
# 不要修改下面的代码：你要超越这棵决策树
tree = DecisionTreeClassifier(random_state=0)
tree.fit(X_train, y_train)
tree_acc = tree.score(X_test, y_test)
print(f"Single tree: {tree_acc:.3f}")
# 在下方编写你的代码
自我测试这节课包含一个小测验。开始学习即可作答，并记录你的进度。
监督学习中的所有课
自己练习： Python 在线编译器