今天我們要用python來實作Random Forest，今天一樣要用到sklearn的iris資料集，但這次我們只用萼片長度（sepal length (cm)）、萼片寬度（sepal width (cm)）來當特徵（feature）。x取用data.data的第0個欄位和第1個欄位，分別就是萼片長度（sepal length (cm)）和萼片寬度（sepal width (cm)） 。讀者們也可以試試看用別的欄位，第3個欄位是花瓣長度（petal length (cm)）、第4個欄位是花瓣寬度（petal width (cm)）。

from sklearn import datasets

data = datasets.load_iris()
x = data.data[:, [0, 1]]
y = data.target

在載入完資料過後，用sklearn的train_test_split將資料分成訓練集以及測試集。筆者這邊訓練集和測試集的比例為7：3，讀者們也可以試試看不同的比例。

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 42)

接著要建構模型，我們直接用sklearn裡的RandomForestClassifier函式建構Random Forest。建構完成過後，直接將訓練集資料給丟進模型去做訓練。

from sklearn.ensemble import RandomForestClassifier

random_forest = RandomForestClassifier()
random_forest.fit(x_train, y_train)

訓練完成過後，可以用score函式看看準確度，筆者這邊訓練完獲得的準確度是77.8%左右。

random_forest.score(x_test, y_test)

最後，我們可以用mlxtend.plotting裡的plot_decision_regions函式，直接看看分類的實際圖長什麼樣子。

import matplotlib.pyplot as plt
from mlxtend.plotting import plot_decision_regions

plot_decision_regions(x, y, clf = random_forest)
plt.xlabel("petal length (cm)")
plt.ylabel("petal width (cm)")
plt.show()