以测试集AUC为评价指标，用交叉验证调整参数，利用随机森林预测二分类任务的代码

好的，下面是利用随机森林预测二分类任务的代码，使用交叉验证调整参数，并以测试集AUC为评价指标：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import roc_auc_score

# 读取训练集和测试集数据
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')

# 获取特征和标签
X_train = train_data.drop('label', axis=1)
y_train = train_data['label']
X_test = test_data.drop('label', axis=1)
y_test = test_data['label']

# 构建随机森林模型并进行交叉验证调参
param_grid = {
    'n_estimators': [50, 100, 150],
    'max_depth': [5, 10, 15],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4],
}
rf = RandomForestClassifier(random_state=42, n_jobs=-1)
grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='roc_auc')
grid_search.fit(X_train, y_train)

# 输出最优参数
print(grid_search.best_params_)

# 使用最优参数训练模型并进行预测
rf = RandomForestClassifier(random_state=42, n_jobs=-1, **grid_search.best_params_)
rf.fit(X_train, y_train)
y_pred = rf.predict(X_test)

# 输出测试集AUC
print("测试集AUC为：", roc_auc_score(y_test, y_pred))

这段代码中，首先读取训练集和测试集数据，并获取特征和标签。然后使用GridSearchCV进行交叉验证调参，设置参数范围为n_estimators、max_depth、min_samples_split和min_samples_leaf。最后输出最优参数，使用最优参数训练模型并进行预测，输出测试集AUC。