採用隨機森林分類模型(RandomForestClassifier)再次訓練上述鳶尾花數據集，具體要求如下：
1、使用pandas庫再次讀取數據集，得到相應矩陣，並進項相應的數據預處理：包括數據標準化與鳶尾花類別編碼等。
2、採用決策樹模型訓練鳶尾花數據集，測試集取30%，訓練集取70%。
3、特徵選擇標準criterion請選擇 “entropy”，隨機森林的子樹個數“n_estimators”取值爲10，在控制檯打印出其測試集正確率。請分析該正確率是否比決策樹分類模型正確率更高。
4、爲了提升模型的泛化能力，請分別使用十折交叉驗證，確定隨機森林分類模型的參數max_depth（子樹的最大深度）與n_estimators（子樹個數）的最優取值。max_depth取值範圍爲1-5，n_estimators的取值範圍爲1-20。請在控制檯輸出這兩個參數的最優取值。
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
import pandas as pd
from sklearn.model_selection import ShuffleSplit
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
if __name__ == "__main__":
path = 'iris.data' # 數據文件路徑
data = pd.read_csv(path, header=None)
x = data[list(range(4))]
y = LabelEncoder().fit_transform(data[4]) #講欒尾花類別編碼
x = x.iloc[:, :4]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)
#進行十折交叉驗證的數據預處理
#使用十折交叉驗證獲取，max_depth（子樹的最大深度）的最優取值
d_scores = []
for i in range(1,6):
model = RandomForestClassifier(n_estimators=10, criterion='entropy', max_depth = i, oob_score=True)
scores = cross_val_score(model, x, y, cv=10, scoring='accuracy')
d_scores.append(scores.mean())
print('max_depth分別取1，2，3，4，5時得到的準確率:')
print(d_scores)
print('最優值爲： ',max(d_scores))
print('最優 max_depth 值爲： ',d_scores.index(max(d_scores))+1)
# 使用十折交叉驗證獲取，n_estimators（子樹個數）的最優取值
n_scores = []
for i in range(1, 21):
model = RandomForestClassifier(n_estimators= i, criterion='entropy', max_depth= 3, oob_score=True)
scores = cross_val_score(model, x, y, cv=10, scoring='accuracy')
n_scores.append(scores.mean())
print('n_estimators分別取 1~20 時得到的準確率:')
print(n_scores)
print('最優值爲： ', max(n_scores))
print('最優 n_estimators 值爲： ', n_scores.index(max(n_scores))+1)
輸出：
