随机森林通过网格搜索加交叉验证参数寻优Python代码实现

以下是随机森林通过网格搜索加交叉验证参数寻优的Python代码实现：

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

# 定义随机森林模型
rf = RandomForestClassifier()

# 定义需要调整的参数列表
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [5, 10, 15],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 5]
}

# 定义网格搜索模型
grid_search = GridSearchCV(rf, param_grid=param_grid, cv=5)

# 加载数据集
X, y = load_data()

# 对模型进行交叉验证
scores = cross_val_score(grid_search, X, y, cv=5)

# 打印交叉验证结果
print("交叉验证结果：", scores)

# 训练最佳模型
best_model = grid_search.fit(X, y)

# 打印最佳模型参数
print("最佳模型参数：", best_model.best_params_)

以上代码中，我们首先定义了一个随机森林模型，并指定需要调整的参数列表。然后，我们将该模型传入GridSearchCV对象中，同时指定交叉验证的折数。接下来，我们加载数据集并对模型进行交叉验证，最后输出交叉验证结果和最佳模型参数。