随机森林分类器网格搜索调参，代码实现

随机森林分类器是一种集成学习算法，它通过构建多个决策树来进行分类。网格搜索调参是一种通过遍历给定的参数组合来寻找最佳模型参数的方法。下面是随机森林分类器网格搜索调参的代码实现：

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

# 创建随机森林分类器对象
rf = RandomForestClassifier()

# 定义要调优的参数范围
param_grid = {
    'n_estimators': [100, 200, 300],  # 决策树的数量
    'max_depth': [None, 5, 10],  # 决策树的最大深度
    'min_samples_split': [2, 5, 10],  # 节点分裂所需的最小样本数
    'min_samples_leaf': [1, 2, 4]  # 叶子节点所需的最小样本数
}

# 创建网格搜索对象
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)

# 使用网格搜索对象拟合数据
grid_search.fit(X, y)

# 输出最佳参数组合和对应的准确率
print("Best parameters found: ", grid_search.best_params_)
print("Best accuracy found: ", grid_search.best_score_)

在上述代码中，我们首先创建了一个随机森林分类器对象`rf`，然后定义了要调优的参数范围`param_grid`。接下来，我们创建了一个网格搜索对象`grid_search`，并使用`fit`方法拟合数据。最后，我们输出了找到的最佳参数组合和对应的准确率。