随机森林代码实例和参数优化

以下是一个随机森林的代码实例和参数优化的过程：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 创建随机森林分类器
rf = RandomForestClassifier()
# 定义参数网格
param_grid = {
    'n_estimators': [10, 50, 100],
    'max_features': ['auto', 'sqrt', 'log2']
}

# 使用网格搜索进行参数优化
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 输出最优参数和最优得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上述代码中，我们首先导入了所需的库和模块。然后，我们加载了一个经典的鸢尾花数据集作为示例数据。接下来，我们创建了一个随机森林分类器，并定义了一个参数网格，其中包含了我们想要优化的参数。然后，我们使用网格搜索（GridSearchCV）来搜索最佳参数组合。最后，我们输出了最优参数和最优得分。

参数优化的过程是通过尝试不同的参数组合来找到最佳的模型性能。在上述代码中，我们尝试了不同的子数据集个数（n_estimators）和最大特征个数（max_features）的组合。通过网格搜索，我们可以自动地遍历所有可能的参数组合，并找到最佳的组合。