【数学建模学习笔记】机器学习分类：随机森林分类

零基础小白版：随机森林分类超简单讲解

一、什么是随机森林？

简单说，随机森林是一种 "团队作战" 的分类方法。就像做题时，一个人可能犯错，但一群人一起投票，结果往往更准。
这里的 "一群人" 就是多棵 "决策树"（可以理解为一种按规则分类的模型），随机森林通过整合所有决策树的结果，得到最终答案。

二、随机森林为什么 "厉害"？

它的核心是 "随机"，体现在两个方面：

1. 样本随机：每次建决策树时，从原始数据中 "随机抽样本"（有放回，类似抽奖时可重复抽），保证每棵树的训练数据不一样。
2. 特征随机：每棵树在做分类判断时，只随机选一部分特征（比如判断 "酒的种类"，只看 "酒精含量"" 颜色 " 等中的几个），避免某一个特征被过度依赖。

这种随机性让每棵树都有自己的 "想法"，最后汇总结果时，错误会相互抵消，所以抗干扰能力强，不容易 "学偏"（过拟合）。

三、随机森林怎么工作？（简单步骤）

1. 抽样本：从原始数据中随机抽若干样本，给每棵决策树当 "练习题"。
2. 建树林：每棵树用抽到的样本和随机选的特征，自己学一套分类规则（比如 "酒精含量 > 13 的是琴酒"）。
3. 投票表决：来了新数据，所有树分别判断类别，最后 "少数服从多数"，得票最多的就是结果。

四、用红酒数据做例子（附代码实操）

我们用一份红酒数据（包含酒精含量、颜色等特征，以及 "琴酒"" 贝尔摩德 ""雪莉" 三种类别），看看随机森林怎么分类：

1. 第一步：导入工具和数据
   先加载需要的 Python 库（就像准备好工具箱），再导入红酒数据：

   # 导入工具库
   import numpy as np
   import pandas as pd
   from sklearn.ensemble import RandomForestClassifier  # 随机森林工具
   from sklearn.model_selection import train_test_split  # 拆分数据工具
   from sklearn.metrics import accuracy_score  # 计算准确率工具
   
   # 导入红酒数据（在线地址，直接能用）
   df = pd.read_excel('https://labfile.oss.aliyuncs.com/courses/40611/%E7%BA%A2%E9%85%92%E6%95%B0%E6%8D%AE.xlsx')
   df.head()  # 查看前5行数据
   

    

   运行后能看到数据长这样（部分）：

   酒精	苹果酸	种类
   14.38	3.59	琴酒
   12.45	3.03	贝尔摩德

2. 第二步：整理数据

   • 把中文列名改成英文（方便代码识别）：

     # 中文列名转英文
     column_mapping = {
         '酒精': 'Alcohol',
         '苹果酸': 'Malic_Acid',
         '种类': 'Class'  # 其他列名类似转换
     }
     df.rename(columns=column_mapping, inplace=True)
     

   • 拆分 "特征"（用于分类的依据，比如酒精含量）和 "标签"（要预测的结果，即酒的种类）：

     X = df.drop('Class', axis=1)  # 特征：除了"种类"之外的所有列
     y = df['Class']  # 标签：只有"种类"这一列
     

3. 第三步：拆分训练集和测试集
   就像学生先做练习题（训练集），再做考试卷（测试集）：

   # 80%数据当训练集，20%当测试集，random_state=42保证结果可重复
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
   

4. 第四步：训练随机森林模型
   让模型从训练集中学规律：

   # 创建随机森林模型，包含100棵树
   clf = RandomForestClassifier(n_estimators=100, random_state=42)
   
   # 用训练集训练模型
   clf.fit(X_train, y_train)
   

5. 第五步：预测并看效果
   用训练好的模型预测测试集，看看准不准：

   # 预测测试集的酒种类
   y_pred = clf.predict(X_test)
   
   # 计算准确率
   accuracy = accuracy_score(y_test, y_pred)
   print('准确率:', accuracy)  # 输出：准确率: 0.9722（即97%）
   

    

   97% 的准确率意味着，36 个测试样本里，模型猜对了 35 个，效果很好！

五、从图中能看到什么？

我们可以画出 "特征重要性" 图，看看哪些指标对分类最关键：

import matplotlib.pyplot as plt
import seaborn as sns

# 获取特征重要性数值
feature_importances = clf.feature_importances_
features = X.columns  # 特征名称

# 画条形图
plt.figure(figsize=(10, 6))
sns.barplot(x=feature_importances, y=features)
plt.xlabel('重要性')
plt.ylabel('特征')
plt.show()

运行后会看到，"颜色强度" 和 "类黄酮" 的柱子最高，说明这两个特征最能帮我们区分红酒种类。