以下記錄機械學習實驗：

（1）從scikit-learn 庫中加載 iris 數據集或本地讀取，進行數據分析； （2）採用五折交叉驗證劃分訓練集和測試集，使用訓練集對隨機森林分類算法進行訓 練； （3）使用五折交叉驗證對模型性能（準確度、精度、召回率和F1值）進行測試； （4）通過對測試結果進行比較分析，評估模型性能； （5）完成實驗報告中實驗八的部分。

算法步驟、代碼、及結果

1. 算法偽代碼

class RandomForest:
def init(self, n_estimators):
self.n_estimators = n_estimators # 樹的數量
self.trees = [] # 存儲所有決策樹

def fit(self, X, y):
    for _ in range(self.n_estimators):
        # 生成自助採樣數據集
        bootstrap_X, bootstrap_y = bootstrap_sample(X, y)
        
        # 創建決策樹
        tree = DecisionTree()
        
        # 訓練決策樹
        tree.fit(bootstrap_X, bootstrap_y)
        
        # 將決策樹添加到森林中
        self.trees.append(tree)
        
def predict(self, X):
    # 收集每棵樹的預測結果
    tree_predictions = [tree.predict(X) for tree in self.trees]
    
    # 使用投票法確定最終預測結果
    return majority_vote(tree_predictions)

2. 算法主要代碼
   表1. 調用算法參數説明
   序號 函數參數 參數含義 説明 備註
3. n_estimators 森林中樹的數量 默認值為100，樹的數量越多模型效果越好，但計算開銷也越大 整數類型
4. max_depth 每棵樹的最大深度 默認值為None，即樹可以無限生長，直到所有葉子節點都是純的或達到最小樣本數 整數類型
5. random_seed 隨機種子 默認值為42，用於控制自助採樣和決策樹生長的隨機性 整數類型