极端随机森林调参和随机森林调参代码一致吗

极端随机森林（Extreme Random Forest，简称ERF）是一种随机森林的变体，它在构建决策树时引入了更大的随机性。相比传统的随机森林，ERF在选择划分特征时不仅随机选择特征，还随机选择特征的划分阈值。这种额外的随机性可以进一步降低模型的方差，提高模型的泛化能力。

调参是指通过调整模型的超参数来优化模型的性能。对于随机森林和极端随机森林，常见的调参参数包括树的数量（n_estimators）、每棵树的最大深度（max_depth）、每棵树的最小样本划分数（min_samples_split）等。

虽然随机森林和极端随机森林都属于集成学习算法，但它们在调参上有一些差异。具体来说，极端随机森林相对于随机森林来说更加随机，因此在调参时需要考虑更多的参数。

下面是一个示例的随机森林调参代码：

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

# 定义参数网格
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [None, 5, 10],
    'min_samples_split': [2, 5, 10]
}

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

# 使用网格搜索进行调参
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳参数和最佳得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

对于极端随机森林的调参，可以按照类似的方式进行，只需将RandomForestClassifier替换为ExtraTreesClassifier即可。