使用随机森林反演有机质，将样本分为测试机训练集和验证集这三个集合不相交，后续进行进行参数调优代码

对于随机森林反演有机质，可以使用以下代码将样本分为训练集、测试集和验证集，并进行参数调优：

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

# X为特征数据，y为目标数据
X_trainval, X_test, y_trainval, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_trainval, y_trainval, test_size=0.25, random_state=42)

# 定义随机森林模型
rf = RandomForestRegressor()

# 定义参数搜索范围
param_grid = {'n_estimators': [100, 200, 300],
              'max_depth': [10, 20, 30],
              'min_samples_split': [2, 4, 6]}

# 定义GridSearchCV对象，进行参数搜索和交叉验证
grid = GridSearchCV(rf, param_grid=param_grid, cv=5)
grid.fit(X_train, y_train)

# 输出最优参数和最优模型在验证集上的R^2值
print('Best parameters:', grid.best_params_)
print('Validation R^2:', grid.best_score_)

# 用最优模型在测试集上进行测试，并输出测试结果
best_rf = grid.best_estimator_
test_score = best_rf.score(X_test, y_test)
print('Test R^2:', test_score)

在这段代码中，`train_test_split`函数用于将数据分为训练集、测试集和验证集，其中`test_size`参数表示测试集和验证集所占比例，`random_state`参数用于设定随机种子，保证每次分割的结果一致。然后使用GridSearchCV进行参数搜索和交叉验证，最后用最优模型在测试集上进行测试并输出测试结果。