随机森林有三个参数（树个数，树深度，叶子节点总数）网格搜索调参绘图

对于随机森林的三个参数：树个数、树深度和叶子节点总数，可以采用网格搜索调参的方法进行优化。具体步骤如下：

1. 定义要搜索的参数范围，比如树个数可以设置为[10, 50, 100, 150]，树深度可以设置为[5, 10, 15, 20]，叶子节点总数可以设置为[10, 20, 30, 40]。

2. 使用sklearn库中的GridSearchCV函数进行网格搜索调参，该函数可以自动遍历所有参数组合，找到最优的参数组合。例如：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': [10, 50, 100, 150],
              'max_depth': [5, 10, 15, 20],
              'min_samples_leaf': [10, 20, 30, 40]}
rf = RandomForestClassifier(random_state=0)
grid_search = GridSearchCV(rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

3. 绘制参数搜索结果的可视化图表，可以使用matplotlib库进行绘制。例如：

import matplotlib.pyplot as plt

scores = grid_search.cv_results_['mean_test_score']
scores = np.array(scores).reshape(len(param_grid['n_estimators']), len(param_grid['max_depth']), len(param_grid['min_samples_leaf']))
for i, n_estimators in enumerate(param_grid['n_estimators']):
    for j, max_depth in enumerate(param_grid['max_depth']):
        plt.plot(param_grid['min_samples_leaf'], scores[i, j, :], label='n_estimators: ' + str(n_estimators) + ', max_depth: ' + str(max_depth))
plt.legend()
plt.xlabel('min_samples_leaf')
plt.ylabel('Mean score')
plt.show()

这样就可以得到一个三维图表，横轴为叶子节点总数，纵轴为平均得分，不同颜色和标注代表不同的参数组合（树个数和树深度）。可以通过图表选择最优的参数组合。