采用随机森林分类模型(RandomForestClassifier)再次训练上述鸢尾花数据集，具体要求如下：
1、使用pandas库再次读取数据集，得到相应矩阵，并进项相应的数据预处理：包括数据标准化与鸢尾花类别编码等。
2、采用决策树模型训练鸢尾花数据集，测试集取30%，训练集取70%。
3、特征选择标准criterion请选择 “entropy”，随机森林的子树个数“n_estimators”取值为10，在控制台打印出其测试集正确率。请分析该正确率是否比决策树分类模型正确率更高。
4、为了提升模型的泛化能力，请分别使用十折交叉验证，确定随机森林分类模型的参数max_depth（子树的最大深度）与n_estimators（子树个数）的最优取值。max_depth取值范围为1-5，n_estimators的取值范围为1-20。请在控制台输出这两个参数的最优取值。
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' # 数据文件路径
data = pd.read_csv(path, header=None)
x = data[list(range(4))]
y = LabelEncoder().fit_transform(data[4]) #讲栾尾花类别编码
x = x.iloc[:, :4]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)
#进行十折交叉验证的数据预处理
#使用十折交叉验证获取，max_depth（子树的最大深度）的最优取值
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分别取1，2，3，4，5时得到的准确率:')
print(d_scores)
print('最优值为： ',max(d_scores))
print('最优 max_depth 值为： ',d_scores.index(max(d_scores))+1)
# 使用十折交叉验证获取，n_estimators（子树个数）的最优取值
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分别取 1~20 时得到的准确率:')
print(n_scores)
print('最优值为： ', max(n_scores))
print('最优 n_estimators 值为： ', n_scores.index(max(n_scores))+1)输出：
