用Python确定随机森林回归的最佳参数取值

确定随机森林回归的最佳参数取值可以使用网格搜索法，具体步骤如下：

1. 导入必要的模块和数据集

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_boston

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

2. 设置参数范围

param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [5, 10, 20, None],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
    'max_features': ['auto', 'sqrt', 'log2']
}

在上述代码中，n_estimators表示树的数量，max_depth表示树的最大深度，min_samples_split表示一个节点需要分裂的最小样本数，min_samples_leaf表示叶子节点最小样本数，max_features表示每个节点在分裂时考虑的特征数。

3. 进行网格搜索

rf = RandomForestRegressor(random_state=2021)
grid_search = GridSearchCV(rf, param_grid=param_grid, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(X, y)

在上述代码中，cv表示交叉验证的折数，scoring表示评价指标。

4. 输出最佳参数

print("Best parameters: ", grid_search.best_params_)

最终输出的结果为最佳参数组合，即可用于随机森林回归模型的训练。