请写一段代码，可视化你刚刚写的随机森林的模型调参过程

这里给出一份Python代码，使用了scikit-learn库的RandomForestRegressor类进行随机森林模型的调参，并使用了matplotlib库进行可视化展示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 生成模拟数据
X, y = make_regression(n_samples=1000, n_features=10, noise=0.5, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义超参数的范围
n_estimators = [10, 50, 100, 200]
max_depth = [5, 10, 20, 30]
min_samples_split = [2, 5, 10, 20]
min_samples_leaf = [1, 2, 4, 8]

# 初始化空列表，用于记录不同超参数组合下的模型表现
results = []

# 循环遍历所有超参数组合
for n in n_estimators:
    for d in max_depth:
        for s in min_samples_split:
            for l in min_samples_leaf:
                # 构建随机森林模型
                model = RandomForestRegressor(n_estimators=n, max_depth=d, min_samples_split=s, min_samples_leaf=l, random_state=42)
                # 训练模型
                model.fit(X_train, y_train)
                # 预测结果
                y_pred = model.predict(X_test)
                # 计算MSE
                mse = mean_squared_error(y_test, y_pred)
                # 记录结果
                results.append((n, d, s, l, mse))

# 将结果转化为numpy数组
results = np.array(results)

# 可视化不同超参数组合下的MSE
plt.figure(figsize=(12, 8))
plt.scatter(results[:, 0], results[:, 4], label='n_estimators')
plt.scatter(results[:, 1], results[:, 4], label='max_depth')
plt.scatter(results[:, 2], results[:, 4], label='min_samples_split')
plt.scatter(results[:, 3], results[:, 4], label='min_samples_leaf')
plt.legend()
plt.xlabel('Hyperparameter value')
plt.ylabel('MSE')
plt.title('Random Forest Hyperparameter Search')
plt.show()

这份代码会生成一个散点图，横轴是超参数的值，纵轴是在该超参数组合下的模型MSE。通过观察图像，我们可以看到不同超参数组合下的模型表现如何，从而选择最佳的超参数组合。