用2500条数据，其二分类比例为2.5：1的数据训练随机森林模型，参数如何调整的代码

首先，我们需要将数据集划分为训练集和测试集，一般建议将数据集的70%作为训练集，30%作为测试集。可以使用sklearn中的train_test_split函数进行划分。示例代码如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

其中，X表示特征矩阵，y表示标签向量，test_size表示测试集占比，random_state表示随机种子。

接下来，我们需要建立随机森林模型，并调整模型参数。常用的模型参数包括n_estimators（决策树个数）、max_depth（最大深度）、min_samples_split（最小分割样本数）等。可以使用sklearn中的RandomForestClassifier类进行建模，并使用GridSearchCV函数进行网格搜索调参。示例代码如下：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

# 建立随机森林模型
rf = RandomForestClassifier(random_state=42)

# 设置参数范围
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10],
}

# 网格搜索调参
grid_search = GridSearchCV(rf, param_grid=param_grid, cv=5, scoring='roc_auc')
grid_search.fit(X_train, y_train)

# 输出最佳参数
print("Best parameters: {}".format(grid_search.best_params_))

# 在测试集上评估模型性能
rf_best = grid_search.best_estimator_
y_pred = rf_best.predict(X_test)
print("Accuracy on test set: {:.3f}".format(rf_best.score(X_test, y_test)))

其中，cv表示交叉验证折数，scoring表示评估指标，例如roc_auc（ROC曲线下面积）、accuracy（准确率）等。

最后，我们可以使用测试集评估模型性能，并输出最佳参数。