对数据集建立好随机森林模型之后用怎么借助python语言通过随机搜索的方法优化所建立的分类模型的主要参数和展示优化后的分类模型的分类效果

可以使用scikit-learn库中的RandomizedSearchCV函数进行参数优化。这个函数可以在指定的参数空间中进行随机搜索，并返回最优的参数组合。下面是一个简单的代码示例：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV
import numpy as np

# 定义参数空间
param_grid = {
    'n_estimators': [100, 200, 300, 400, 500],
    'max_features': ['auto', 'sqrt'],
    'max_depth': [10, 20, None],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

# 建立模型
rf_model = RandomForestClassifier()

# 定义随机搜索对象
random_search = RandomizedSearchCV(rf_model, param_distributions=param_grid, n_iter=100, cv=5, random_state=42)

# 进行参数优化
random_search.fit(X_train, y_train)

# 展示最优参数
print("Best parameters found: ", random_search.best_params_)

# 展示最优模型的分类效果
best_model = random_search.best_estimator_
y_pred = best_model.predict(X_test)
accuracy = np.mean(y_pred == y_test)
print("Accuracy of best model: ", accuracy)

在代码中，`param_grid` 定义了需要进行优化的参数空间。`rf_model` 是我们建立的随机森林模型。`random_search` 是随机搜索的对象，其中 `n_iter` 指定了搜索次数，`cv` 指定了交叉验证的折数，`random_state` 是为了可重复性而设定的随机种子。最后，我们调用 `fit` 函数进行参数优化，并展示最优参数和最优模型的分类效果。

需要注意的是，在进行参数优化时，应该使用交叉验证来避免过拟合。而展示分类效果时，应该使用测试集而非训练集来进行评估。