RFR随机搜索,并给出相应代码

RFR（Random Forest Regressor）是一种基于决策树的集成学习方法，它在机器学习中的回归任务中非常常用。RFR通过构建大量的决策树，每棵树对数据做出预测，然后取所有树的平均值作为最终结果。这个过程中的随机性主要体现在特征选择（每个节点只考虑一部分特征）和样本抽样（每次训练一个新的树时使用随机抽样的样本），这有助于减少过拟合，提高模型的泛化能力。

随机森林回归的主要优点包括：
1. 可处理高维数据和非线性关系。
2. 难以估计变量的重要性，提供了内置的特征重要性评估。
3. 自然能够处理缺失值。

以下是使用Python的sklearn库实现RFR的一个简单例子：

from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
import numpy as np

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林回归器
rfr = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rfr.fit(X_train, y_train)

# 对测试集做预测
predictions = rfr.predict(X_test)

# 打印一些基本的模型信息
print("随机森林参数:", rfr.get_params())