为随机森林调整参数的代码

下面是一个基于Python的例子，使用scikit-learn库的随机森林进行参数调整：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_classification

# 生成一些随机数据用于训练和测试
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=0)

# 定义参数组合，这里只列出了一些常用的参数，具体可以根据情况自行添加
param_grid = {
    'n_estimators': [10, 50, 100, 200],
    'max_depth': [None, 5, 10, 20],
    'max_features': ['sqrt', 'log2', None],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
}

# 定义随机森林分类器
rf = RandomForestClassifier(random_state=0)

# 使用GridSearchCV进行参数调整
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)
grid_search.fit(X, y)

# 输出最优参数组合和对应的得分
print(grid_search.best_params_)
print(grid_search.best_score_)

在这个例子中，我们使用了`GridSearchCV`函数来进行参数调整。`param_grid`定义了需要调整的参数组合，`cv`指定了交叉验证的折数。最终输出最优的参数组合和对应的得分。