Python算法练习（十）// 算法：随机森林（分类），数据集：Wine

一、练习目标
1、通过练习掌握随机森林分类的应用，分析参数调整对结果的影响。
2、区分随机森林分类与决策树分类的差别。建立最优的分类预测模型。
3、通过数据挖掘了解影响红酒标签（三分类）的关键特征。

二、重要结论
1、探索数据发现，在小提琴图中可直观看出①特征proline，当取值大于1000，基本可以判断样本属于标签0； ②特征od280/od315_of_diluted_wines，当取值小于1.5，基本可以判断样本属于标签3。
2、采用决策树算法，模型存在明显的过拟合问题。
3、采用随机森林分类算法，①纠正决策树天生过拟合的倾向，②提高模型预测的准确率。
4、采用决策树算法得到的关键特征，与采用随机森林分类算法得到的关键特征，明显不一样。这大概就是红酒的魅力！

三、练习步骤：
（一）导入数据



（二）探索数据








（三）模型构建与评估（决策树）



（四）模型构建与评估（随机森林分类）