python实现随机森林回归建模，10折交叉分析，自动优化参数，求取特征影响因素，各个特征影响因素和为1，将每次训练得到的模型的影响因素加权平均得到最终的影响因素，计算模型准确率，输出保存各个特征对应的影响因素在excel表内。

好的，这是一个比较复杂的问题，我会尽力回答。首先，需要导入相关库，包括sklearn、pandas、numpy等。然后，需要读取数据集，进行特征处理和数据清洗。接着，进行数据集的切分，将数据集分为训练集和测试集。

接下来，我们可以使用sklearn中的RandomForestRegressor来实现随机森林回归建模。在建模过程中，我们可以使用GridSearchCV来进行参数自动优化，并使用10折交叉验证来评估模型的准确性。

完成模型训练后，我们可以使用feature_importances_属性来求取特征影响因素。将得到的特征影响因素进行归一化处理，确保各个特征影响因素的和为1。然后，将每次训练得到的模型的影响因素加权平均得到最终的影响因素。

最后，我们可以计算模型的准确率，并将各个特征对应的影响因素保存在excel表内。以下是一个简单的代码框架，供您参考：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import KFold
from sklearn.metrics import accuracy_score
import xlwt

# 读取数据集
data = pd.read_csv('data.csv')

# 特征处理和数据清洗
...

# 数据集切分
X_train, X_test, y_train, y_test = ...

# 定义随机森林回归模型
model = RandomForestRegressor()

# 定义参数字典
param_grid = {...}

# 定义GridSearchCV对象
grid_search = GridSearchCV(model, param_grid=param_grid, cv=KFold(n_splits=10))

# 训练模型并进行参数自动优化
grid_search.fit(X_train, y_train)

# 计算模型准确率
y_pred = grid_search.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

# 求取特征影响因素
feature_importances = grid_search.best_estimator_.feature_importances_
feature_importances /= np.sum(feature_importances)

# 将特征影响因素保存在excel表中
workbook = xlwt.Workbook()
sheet = workbook.add_sheet('Feature Importance')
for i in range(len(feature_importances)):
    sheet.write(i, 0, 'feature_'+str(i))
    sheet.write(i, 1, feature_importances[i])
workbook.save('feature_importances.xls')

# 将每次训练得到的模型的影响因素加权平均得到最终的影响因素
...

# 输出最终的影响因素
...

# 输出模型准确率
print('Accuracy:', accuracy)