MOJAB 24

مدل درختان تصادفی را با استفاده از sklearn و یکی از مجموعه داده‌های موجود برای مطالعه خود، توسط استاد ارائه شده، ایجاد کنید.

برای ایجاد یک مدل درخت تصادفی با استفاده از کتابخانه sklearn و مجموعه داده Iris، می‌توانید از کد زیر استفاده کنید:

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# بارگذاری مجموعه داده Iris
iris = load_iris()
X = iris.data
y = iris.target

# تقسیم داده‌ها به داده‌های آموزشی و آزمون
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ایجاد مدل درخت تصادفی
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# پیش‌بینی برچسب‌ها برای داده‌های آزمون
y_pred = rf.predict(X_test)

# محاسبه دقت مدل
accuracy = accuracy_score(y_test, y_pred)
print(f'دقت مدل: {accuracy}')

در این کد، ابتدا مجموعه داده Iris بارگذاری شده و سپس به داده‌های آموزشی و آزمون تقسیم می‌شود. سپس یک مدل درخت تصادفی با 100 درخت ایجاد می‌شود و بر روی داده‌های آموزشی آموزش داده می‌شود. سپس برچسب‌های داده‌های آزمون پیش‌بینی شده و دقت مدل محاسبه می‌شود و چاپ می‌شود.