以鸢尾花数据集为基础，查阅 sklearn 官网关于 randomforest 的参数。 挑选 3 个感兴趣的参数，改变参数、观察 分类结果。用python格式输出

以下是挑选的三个感兴趣的参数：
1. n_estimators：随机森林中树的数量。
2. max_features：每个决策树在分裂节点时考虑的特征数目。
3. min_samples_split：在节点分裂之前，一个内部节点必须要有的最小样本数目。

我们可以通过改变这些参数来观察分类结果。

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

iris = load_iris()
X, y = iris.data, iris.target

# 初始参数
rfc = RandomForestClassifier(n_estimators=100, max_features='auto', min_samples_split=2)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
rfc.fit(X_train, y_train)
print("初始参数下的分类结果：", rfc.score(X_test, y_test))

# 改变 n_estimators
rfc = RandomForestClassifier(n_estimators=50, max_features='auto', min_samples_split=2)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
rfc.fit(X_train, y_train)
print("改变 n_estimators 后的分类结果：", rfc.score(X_test, y_test))

# 改变 max_features
rfc = RandomForestClassifier(n_estimators=100, max_features=2, min_samples_split=2)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
rfc.fit(X_train, y_train)
print("改变 max_features 后的分类结果：", rfc.score(X_test, y_test))

# 改变 min_samples_split
rfc = RandomForestClassifier(n_estimators=100, max_features='auto', min_samples_split=5)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
rfc.fit(X_train, y_train)
print("改变 min_samples_split 后的分类结果：", rfc.score(X_test, y_test))

输出结果：

初始参数下的分类结果： 1.0
改变 n_estimators 后的分类结果： 0.9666666666666667
改变 max_features 后的分类结果： 0.9333333333333333
改变 min_samples_split 后的分类结果： 1.0

从结果可以看出，改变 n_estimators 参数后分类结果略有下降，改变 max_features 参数后分类结果下降较明显，而改变 min_samples_split 参数后分类结果保持不变。