import?sys
import?csv
from?sklearn.ensemble?import?RandomForestRegressor
import?numpy?as?np
from?sklearn.utils?import?shuffle
from?sklearn.metrics?import?mean_squared_error?explained_variance_score
import?matplotlib.pyplot?as?plt

def?plot_feature_importances（feature_importancestitlefeature_names）:
????#重要性值標(biāo)準(zhǔn)化
????feature_importances=100.0*（feature_importances/max（feature_importances））
????#得分從高到低排序
????index_sorted=np.flipud（np.argsort（feature_importances））
????#讓X坐標(biāo)軸上的標(biāo)簽居中顯示
????pos=np.arange（index_sorted.shape[0]）+0.5

????#畫(huà)圖
????plt.figure（）
????plt.bar（posfeature_importances[index_sorted]align=‘center‘）
????plt.xticks（posfeature_names[index_sorted]）
????plt.ylabel（‘Relative?Importance‘）
????plt.title（title）
????plt.show（）


def?load_dataset（filename）:
????file_reader=csv.reader（open（filename‘r‘）delimiter=‘‘）
????xy=[][]
????for?row?in?file_reader:
????????x.append（row[2:13]）
????????y.append（row[-1]）

????#提取特征名稱(chēng)
????feature_names=np.array（x[0]）
????#將第一行特征名稱(chēng)移除，僅保留數(shù)值
????return?np.array（x[1:]）.astype（np.float32）np.array（y[1:]）.astype（np.float32）feature_names


#讀取數(shù)據(jù)，打亂順序
xyfeature_names=load_dataset（‘bike_day.csv‘）
xy=shuffle（xyrandom_state=7）

num_training=int（0.9*len（x））

x_trainy_train=x[:num_training]y[:num_training]
x_testy_test=x[num_training:]y[num_training:]

#決策樹(shù)回歸模型進(jìn)行擬合
rf_regressor=RandomForestRegressor（n_estimators=1000max_depth=10min_samples_split=0.001）
rf_regressor.fit（x_trainy_train）


#評(píng)價(jià)隨機(jī)森林回歸器效果展示
y_pred=rf_regressor.predict（x_test）
mse=mean_squared_error（y_testy_pred）
evs=explained_variance_score（y_testy_pred）
print（‘\n###?Random?Forest?regressor?performance?###‘）
print（‘Mean?squared?error?=‘round（mse2））
print（‘Explained?variance?score=‘round（evs2））

#畫(huà)圖
plot_feature_importances（rf_regressor.feature_importances_‘Random?Forest?regressor‘feature_names）