用网格搜索对随机森林回归模型进行调参

好的，下面是用网格搜索对随机森林回归模型进行调参的步骤：

1. 导入所需的库和数据集：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV

# 读取数据集
data = pd.read_csv('data.csv')
X = data.drop(['target'], axis=1) # 特征
y = data['target'] # 目标变量

2. 定义随机森林回归模型并设置待调节的参数：

rf = RandomForestRegressor()
params = {
    'n_estimators': [50, 100, 150], # 估计器数量
    'max_depth': [5, 10, 15, None], # 最大深度
    'min_samples_split': [2, 5, 10], # 内部节点最小样本数
    'min_samples_leaf': [1, 2, 4] # 叶节点最小样本数
}

3. 创建网格搜索对象并使用训练数据拟合：

grid_search = GridSearchCV(rf, params, cv=5) # 5折交叉验证
grid_search.fit(X, y)

4. 输出最佳参数组合和最佳得分：

print('Best params:', grid_search.best_params_)
print('Best score:', grid_search.best_score_)

通过以上步骤，我们可以使用网格搜索对随机森林回归模型进行调参并得到最佳参数组合和最佳得分。