python 使用skearn自带数据集load_wine完成：随机森林模型训练及测试并使用网格索搜确定参数n_estimators、criterion、max_depth、min_samples_leaf的最优组合并输出

好的，下面是使用Python的sklearn库中的load_wine数据集，完成随机森林模型训练及测试，并使用网格搜索确定参数n_estimators、criterion、max_depth、min_samples_leaf的最优组合的代码实现：

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestClassifier

# 加载数据集
wine_data = load_wine()

# 获取特征数据和标签数据
X = wine_data.data
y = wine_data.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义随机森林模型
rfc = RandomForestClassifier()

# 定义参数组合
param_grid = {'n_estimators': [10, 50, 100, 150, 200],
              'criterion': ['gini', 'entropy'],
              'max_depth': [None, 10, 20, 30, 40],
              'min_samples_leaf': [1, 2, 4]}

# 网格搜索
grid_search = GridSearchCV(rfc, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优参数组合
print('最优参数组合：', grid_search.best_params_)

# 测试模型
accuracy = grid_search.score(X_test, y_test)
print('模型准确率：{:.2f}'.format(accuracy))

以上代码使用load_wine数据集加载了红酒数据集，并将其分割为训练集和测试集，使用随机森林模型进行训练和测试，并使用网格搜索确定参数n_estimators、criterion、max_depth、min_samples_leaf的最优组合，并输出最优参数组合和模型的准确率。