RandomForestRegressor网格搜素调参代码

以下是使用随机森林回归器（RandomForestRegressor）进行网格搜索调参的示例代码：

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV

# 创建随机森林回归器模型
rf = RandomForestRegressor()

# 定义参数网格
param_grid = {
    'n_estimators': [100, 200, 300],  # 决策树数量
    'max_depth': [None, 5, 10],  # 决策树最大深度
    'min_samples_split': [2, 5, 10],  # 节点分裂所需的最小样本数
    'min_samples_leaf': [1, 2, 4]  # 叶子节点所需的最小样本数
}

# 创建网格搜索对象
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5, scoring='neg_mean_squared_error')

# 在训练数据上进行网格搜索调参
grid_search.fit(X_train, y_train)

# 输出最佳参数组合和对应的评分
print("Best Parameters:", grid_search.best_params_)
print("Best Score:", -grid_search.best_score_)

在上述代码中，我们首先创建了一个随机森林回归器模型 `rf`，然后定义了要搜索的参数网格 `param_grid`，包括决策树数量、最大深度、节点分裂所需的最小样本数和叶子节点所需的最小样本数。接下来，我们创建了一个网格搜索对象 `grid_search`，将随机森林回归器模型和参数网格作为参数传入。通过指定交叉验证的折数 `cv` 和评分指标 `scoring`，可以在训练数据上进行网格搜索调参。

最后，我们使用训练数据拟合网格搜索对象，并输出最佳参数组合和对应的评分。注意，由于默认的评分指标是负均方误差（neg_mean_squared_error），所以在输出最佳评分时需要取其相反数。

你可以根据具体的需求和问题，调整参数网格和评分指标，以获得最佳的模型参数组合。