随机森林超参数自动调参代码

随机森林是一种集成学习方法，它的超参数包括树的数量（`n_estimators`）、每棵树的特征数（`max_features`）、节点分裂的最大信息增益（`criterion`）等。在Python中，Scikit-Learn库提供了`GridSearchCV`或`RandomizedSearchCV`等工具来进行随机森林模型的超参数自动调优。

以下是使用`GridSearchCV`进行随机森林参数调优的一个简单例子：

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

# 假设我们有一个分类问题的数据集X_train, y_train
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_features': ['auto', 'sqrt', 'log2'],
    'criterion': ['gini', 'entropy'],
    'max_depth': [None, 10, 20]  # 可选添加其他超参数
}

# 创建并训练模型
rf = RandomForestClassifier()
grid_search = GridSearchCV(rf, param_grid, cv=5)  # 使用交叉验证，cv=5表示5折
grid_search.fit(X_train, y_train)

# 获取最佳参数组合
best_params = grid_search.best_params_
print(f"Best parameters found: {best_params}")

# 使用最佳参数训练最终模型
best_rf = RandomForestClassifier(**best_params)
best_rf.fit(X_train, y_train)

在这个例子中，`GridSearchCV`会遍历所有给定的参数组合，并选择性能最好的一组作为最优解。运行完这个过程后，你可以用找到的最佳参数来创建一个新的模型进行预测。