怎么用随机森林十折交叉验证后输出最优超参数再用测试集测试python

可以使用sklearn库中的RandomizedSearchCV函数来进行随机森林的超参数优化和交叉验证。具体步骤如下：

1. 导入sklearn库：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint

2. 定义随机森林分类器：

rf = RandomForestClassifier()

3. 定义超参数的范围：

param_distribs = {
        'n_estimators': randint(low=1, high=200),
        'max_features': randint(low=1, high=8),
    }

4. 使用RandomizedSearchCV函数进行十折交叉验证和超参数优化：

rnd_search = RandomizedSearchCV(rf, param_distributions=param_distribs,
                                n_iter=10, cv=10, scoring='accuracy', random_state=42)
rnd_search.fit(X_train, y_train)

5. 输出最优超参数：

print("Best hyperparameters: ", rnd_search.best_params_)

6. 使用测试集测试模型：

from sklearn.metrics import accuracy_score

y_pred = rnd_search.predict(X_test)
accuracy_score(y_test, y_pred)

注意，以上代码仅为示范，实际上要根据具体的数据集和问题进行适当的修改和调整。