Scikit-learn（简称 sklearn）是 Python 中最常用的机器学习库之一，它提供了简洁易用的随机森林实现，无需我们自己手动构建决策树。下面我将通俗易懂地介绍如何使用 Scikit-learn 实现随机森林，包括分类和回归两种场景。

一、随机森林的基本概念

随机森林是一种集成学习模型，由多个决策树组成：

• 训练时，每个决策树使用随机采样的样本和随机选择的特征
• 预测时，通过 "多数投票"（分类）或 "平均结果"（回归）得到最终答案
• 优点：准确率高、不易过拟合、能处理高维数据

二、安装 Scikit-learn

如果还没安装，可以用 pip 安装：

pip install scikit-learn

三、分类问题：用随机森林做分类

以经典的鸢尾花数据集为例，演示如何用随机森林进行分类。

完整代码示例

# 1. 导入需要的库
from sklearn.ensemble import RandomForestClassifier  # 随机森林分类器
from sklearn.datasets import load_iris  # 鸢尾花数据集
from sklearn.model_selection import train_test_split  # 划分训练集和测试集
from sklearn.metrics import accuracy_score  # 计算准确率

# 2. 准备数据
iris = load_iris()
X = iris.data  # 特征数据（花萼长度、宽度，花瓣长度、宽度）
y = iris.target  # 标签（0、1、2分别代表三种鸢尾花）

# 3. 划分训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42  # random_state固定随机划分方式
)

# 4. 创建随机森林模型
rf_clf = RandomForestClassifier(
    n_estimators=100,  # 决策树的数量（默认100）
    max_depth=None,    # 树的最大深度（None表示不限制）
    random_state=42    # 固定随机种子，保证结果可重复
)

# 5. 训练模型
rf_clf.fit(X_train, y_train)

# 6. 预测
y_pred = rf_clf.predict(X_test)

# 7. 评估模型
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率：{accuracy:.2f}")  # 通常能达到95%以上

# 查看特征重要性（随机森林的优势之一）
print("特征重要性：", rf_clf.feature_importances_)

四、回归问题：用随机森林做回归

如果要预测连续值（如房价、温度），可以使用RandomForestRegressor。

完整代码示例

# 1. 导入需要的库
from sklearn.ensemble import RandomForestRegressor  # 随机森林回归器
from sklearn.datasets import load_boston  # 波士顿房价数据集（经典回归数据集）
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error  # 均方误差（回归问题常用指标）

# 2. 准备数据（注意：波士顿房价数据集在新版本中被移除，这里用替代方案）
from sklearn.datasets import fetch_california_housing
housing = fetch_california_housing()
X = housing.data  # 特征（如平均收入、房龄等）
y = housing.target  # 标签（房价中位数）

# 3. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# 4. 创建随机森林回归模型
rf_reg = RandomForestRegressor(
    n_estimators=100,  # 100棵树
    max_depth=10,      # 限制树深度，防止过拟合
    random_state=42
)

# 5. 训练模型
rf_reg.fit(X_train, y_train)

# 6. 预测
y_pred = rf_reg.predict(X_test)

# 7. 评估模型
mse = mean_squared_error(y_test, y_pred)
print(f"均方误差：{mse:.2f}")  # 数值越小越好

# 查看特征重要性
print("特征重要性：", rf_reg.feature_importances_)

五、关键参数解释

随机森林的性能很大程度上取决于参数设置，常用重要参数：

1. n_estimators：决策树的数量（默认 100）

   • 数量越多，模型通常越准确，但计算速度越慢
   • 建议从 100 开始，根据效果和性能调整

2. max_depth：树的最大深度

   • 过深容易过拟合（记住训练数据细节，泛化能力差）
   • 可以设置为整数（如 5、10），或 None（不限制）

3. min_samples_split：分裂节点所需的最小样本数（默认 2）

   • 数值越大，树越简单，防止过拟合

4. max_features：每个节点分裂时考虑的最大特征数

   • 分类问题默认是 "sqrt"（特征数的平方根）
   • 回归问题默认是 "auto"（等于特征数）

5. random_state：随机种子

   • 设置一个固定值（如 42），可以让结果可重复

六、随机森林的优势

1. 不需要特征归一化：与 SVM、神经网络不同，决策树不关心特征的尺度
2. 能处理非线性关系：比线性模型更灵活
3. 提供特征重要性：告诉我们哪些特征对预测最关键
4. 抗过拟合能力强：多棵树的集成结果比单棵决策树更稳健

七、注意事项

1. 随机森林虽然强大，但在高维稀疏数据（如文本）上可能不如线性模型
2. 训练大型数据集时，可通过n_jobs=-1参数利用多核 CPU 加速
3. 实际应用中，建议用交叉验证（cross_val_score）来选择最佳参数

通过 Scikit-learn，我们可以用几行代码就实现一个高性能的随机森林模型，非常适合快速开发和部署。