用Python写一个随机森林回归模型调整参数示例

请注意，由于没有提供数据集，以下示例代码片段仅用于演示如何使用Python中的随机森林回归模型调整参数。

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

# 定义随机森林回归模型
rf_model = RandomForestRegressor()

# 定义要优化的参数网格
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [10, 20, 30],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

# 定义网格搜索对象
grid_search = GridSearchCV(estimator=rf_model, param_grid=param_grid, cv=5)

# 训练模型并找到最佳参数
grid_search.fit(X_train, y_train)

# 输出最佳参数和得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上述代码中，我们使用了sklearn库中的随机森林回归模型，并使用GridSearchCV函数来定义一个网格搜索对象，以搜索最佳参数。我们定义了要优化的参数网格，并将其传递给GridSearchCV函数。我们使用5折交叉验证来评估每组参数的性能。最后，我们使用训练数据拟合模型，并使用best_params_和best_score_属性输出最佳参数和得分。