認識了隨機森林模型之後，在這個單元，我們將帶大家在Python進行隨機森林模型的實作。為了維持一貫性，方便大家比較不同模型之間的差異，在這個單元，我們決定沿用決策樹模型單元的案例，一起用隨機森林模型來做鳶尾花的分類!
(一) 引入模組
首先，我們一樣從sklearn模組裡面引入前人已經完成的模型，在這邊我們引入的是隨機森林分類器。另外，我們也要引入資料集、區分訓練集資料與測試集資料模組，以及繪圖模組。
from sklearn.ensemble import RandomForestClassifier
from sklearn import datasets
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
(二) 模型建構
這邊的前置作業都與決策樹模型不相上下，唯有在步驟三模型選擇的部分我們這次選擇的是隨機森林模型。
Step1. 建立特徵X，與目標y
Step2. 將資料區分成訓練集與測試集，可自行設定區分的百分比X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
Step3. 選擇隨機森林分類器，內容可決定決策數的棵樹、剪枝葉等等，以提升模型的效率及避免過度配適。rfc=RandomForestClassifier(n_estimators=100,n_jobs = -1,random_state =50, min_samples_leaf = 10)
Step4. 用建立好的模型來預測資料rfc.predict(X_test)
Step5. 檢驗模型的正確率rfc.score(X_test,y_test)
(三) 重要特徵
在這裡，我們也可以用featrue importance來評估各個特徵的重要程度，最後可以用繪圖視覺化顯現，範例如下。
imp=rfc.feature_importances_
詳細操作過程歡迎參考影片內容。
程式檔的部分可在此下載。