RFR随机搜索超参数调优，并给出相应代码

RFR (Random Forest Regressor) 随机森林回归器是一种集成学习方法，它用于预测连续值，如回归任务。在模型训练过程中，超参数的选择对性能有很大影响。超参数调优通常涉及到尝试不同的组合来找到最佳的模型配置，其中随机搜索是一种简单而有效的策略。

随机搜索超参数调优的基本思想是从给定的超参数空间中随机选择一组候选值，然后评估每组参数对模型性能的影响。这种方法的优点在于它不需要复杂的梯度信息，适用于那些难以求解导数的优化问题。

Python 中使用 `sklearn` 库的 `GridSearchCV` 或者专门针对随机搜索的 `RandomizedSearchCV` 来实现随机搜索。以下是使用 `RandomizedSearchCV` 的例子：

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import RandomizedSearchCV
import numpy as np

# 假设我们有以下超参数范围
param_dist = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 10, 20, 30],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
    'bootstrap': [True, False]
}

# 创建随机森林回归器
rf_regressor = RandomForestRegressor()

# 定义搜索对象
search = RandomizedSearchCV(
    rf_regressor,
    param_distributions=param_dist,
    n_iter=50,  # 要运行的迭代次数
    cv=5,  # 划分数据集的方式（交叉验证）
    scoring='r2',  # 评估指标，例如 R^2 分数
    random_state=42
)

# 开始搜索
search.fit(X_train, y_train)

# 获取最优参数
best_params = search.best_params_
print("Best parameters found: ", best_params)