随机森林（RandomForestClassifier） 参数

随机森林（RandomForestClassifier）

n_estimators=10	决策树的个数，越多越好，但是性能就会越差，至少100左右（具体数字忘记从哪里来的了）可以达到可接受的性能和误差率。
bootstrap=True	是否有放回的采样。
oob_score=False	oob（out of band，带外）数据，即 在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练，我们知道可以用cross validation（cv）来进行，但是特别消耗时间，而且对于随机森林这种情况也没有大的必要，所以就用这个数据对决策树模型进行验证，算是一个简单的交叉验证。性能消耗小，但是效果不错。
n_jobs=1	并行job个数。这个在ensemble算法中非常重要，尤其是bagging（而非boosting，因为boosting的每次迭代之间有影响，所以很难进行并行化），因为可以并行从而提高性能。n=1不并行；n= n n个并行；n= -1 CPU有多少core，就启动多少job
warm_start=False	热启动，决定是否使用上次调用该类的结果然后增加新的。
class_weight=None	各个label的权重。