随机森林参数选择

最新推荐文章于 2025-06-25 01:53:56 发布

原创

最新推荐文章于 2025-06-25 01:53:56 发布 · 2.2w 阅读

134 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文探讨随机森林的参数选择如何影响模型性能，重点讨论了n_estimators和max_depth等关键参数，并介绍了使用sklearn的RandomizedSearchCV和GridSearchCV进行参数调优的方法，通过交叉验证找到最佳参数组合，以提升模型预测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里是基于前面两篇相关文章

基于随机森林做回归任务（数据预处理、MAPE指标评估、可视化展示、特征重要性、预测和实际值差异显示图）

https://blog.youkuaiyun.com/qq_40229367/article/details/88526749

数据与特征对随机森林的影响（特征对比、特征降维、考虑性价比）

https://blog.youkuaiyun.com/qq_40229367/article/details/88528421

本文讨论的是随机森林参数的选择对结果的影响

这里的处理是基于前面选择了前两个比较重要的特征后的数据

我们首先看一下随机森林有哪些参数

from sklearn.ensemble import RandomForestRegressor

rf = RandomForestRegressor(random_state = 42)

from pprint import pprint

# Look at parameters used by our current forest
print('Parameters currently in use:\n')
pprint(rf.get_params())

Parameters currently in use:

{'bootstrap': True,
 'criterion': 'mse',
 'max_depth': None,
 'max_features': 'auto',
 'max_leaf_nodes': None,
 'min_impurity_decrease': 0.0,
 'min_impurity_split': None,
 'min_sampl