Python 如何控制功能的数量[机器学习]？

我正在编写这个机器学习代码（分类），以便在两个类之间进行分类。我从为我的所有图像捕获一个功能开始

例如： （注：1和0用于标记） A类=[（4295046.0,1），（4998220.0,1），（4565017.0,1），（4078291.0,1），（4350411.0,1），（4434050.0,1），（4201831.0,1），（4203570.0,1），（4197025.0,1），（4110781.0,1），（40805668.0,1），（4276499.0,1），（4363551），（4241573.0,1），（4470.0,1），（56823.0,1），（5572122.0,1），（4172122.0,1），（53891），（14970.0），（46901），（14971），（46901），（5682823.0,1），（4057898.0,1）、（4143981.0,1）、（3899129.0,1）、（3830584.0,1）、（3557377.0,1）、（3125518.0,1）、（3197039.0,1）、（3109404.0,1）、（3024219.0,1）、（3066759.0,1）、（272633.0,1）、（3507626.0,1）等）

B类=[（7179088.0,0），（7144249.0,0），（6806806.0,0），（5080876.0,0），（5170390.0,0），（5694876.0,0），（6210510.0,0），（5376014.0,0），（6472171.0,0），（7112956.0），（7356507.0,0），（9180030.0），（9183460.0），（9212517.0），（9055663.0），（9053709.0,0），（3067.0,890），（28890），（840.0），（440），（840），（840），（840），（905353709.0），（840），（9055663.0），(8752169.0, 0), (8779133.0, 0), (8756789.0, 0), (8990732.0, 0), (9027381.0, 0), (9090035.0, 0), (9343846.0, 0), (9518609.0, 0), (9435149.0, 0), (9365842.0, 0), (9395256.0, 0), (4381880.0, 0), (4749338.0, 0), (5296143.0, 0), (5478942.0, 0), (5610865.0, 0), (5514997.0, 0), (5381010.0, 0), (5090416.0, 0), (4663958.0, 0), (4804526.0, 0), (4743107.0, 0)，（4898914.0,0）、（5018503.0,0）、（5778240.0,0）、（5741893.0,0）、（4632926.0,0）、（5208486.0,0）、（5633403.0,0）、（5699410.0,0）、（5748260.0,0）、（5869260.0,0）等]

/data is A and B combined

x = [[each[0]] for each in data]
y = [[each[1]] for each in data]
print (len(x), len(y))

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, 
random_state=42)
print (len(x_train), len(x_test))
print (len(y_train), len(y_test))

from sklearn.ensemble import RandomForestClassifier

clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)
clf.fit(x_train, y_train)

问题:

如何更改以添加其他功能？添加功能时A和B的外观如何？我是否更改此行

clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)

当使用两个功能时

我猜：

A级=[（4295046.0，secons功能，1），（4998220.0，secons功能，1），（4565017.0，secons功能，1），（4078291.0，secons功能，1），（4350411.0，secons功能，1），（4434050.0，1），…]

---

是这样吗？有更好的方法吗？

此型号不需要明确的功能数量。
如果类始终是数据中每个元组中的最后一个元素，则可以执行以下操作：

x = [[each[:-1]] for each in data]
y = [[each[-1]] for each in data]

---

“随机森林”的概念是，你有很多简单的模型，这些模型是你的平均值。这意味着，无论你有多少特征，你的树都不应该太深。如果你有很多特征，并且使用了很多树，你可以试着增加深度，但一般来说，对于随机森林，树的深度是应该是浅薄的。实验并尝试一下

例如：

---

在这个实验中，有+900个数据点和9个特征。他们测试了1到32之间的max_depth值，从结果来看，我认为大约5个是最好的。但这可能会因所讨论的数据集和特征而有所不同。

我理解。但是，我想看看添加另一个特征的效果，我也想了解如何在我的案例[Format]中引入多个功能。类是最后一个数字，功能是第一个数字。但是，如果我想添加另一个功能，我想在它们之间添加它吗？如何向模型引入另一个功能？是的，您只需在它们之间添加它。

x

将包括所有功能（即除最后一个数字外的所有数字，这是您所说的课程）。谢谢。我会试试这个