随机森林调参方向是什么？

随机森林的参数调优主要关注以下几个方面[^1]：

1. **n_estimators** (决策树数量): 决定森林中包含多少棵独立的决策树。更多的树可以提高模型的稳定性和预测准确性，但计算成本也会增加。

2. **max_features** (特征选择): 控制每次构建决策树时使用的特征数量。有几种策略如`auto`, `sqrt`, `log2`, 或者用户自定义的百分比。这有助于防止过拟合。

3. **min_samples_split** 和 **min_samples_leaf** (节点划分标准): 分别影响内部节点分裂和叶子节点最少样本数。过小可能过拟合，过大可能导致欠拟合。

4. **bootstrap** (子样本抽样): 是否对原始数据进行有放回抽样创建决策树。若设为False，则每个决策树基于完整的训练集构建。

5. **max_depth** (树的最大深度): 深度限制有助于防止过度复杂性。

通过学习曲线分析，可以观察不同参数组合下模型性能随数据量变化的情况[^2]。而网格搜索则是常用的优化工具，它遍历预先定义的参数组合，找到最佳性能的参数设置。