利用网格搜索寻找随机森林回归模型的最佳超参数，给出代码

网格搜索是一种常用的优化机器学习模型参数的方法，通过遍历预定义的超参数组合来找到最佳性能。对于随机森林回归模型（RandomForestRegressor），我们可以使用Python的sklearn库中的`GridSearchCV`函数来进行。以下是一个简单的例子，展示如何针对`RandomForestRegressor`找寻`n_estimators`（树的数量）和`max_depth`（树的最大深度）这两个常见的超参数：

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

# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target

# 定义参数网格
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 10, 20, 30]
}

# 创建随机森林回归模型
rf_reg = RandomForestRegressor()

# 使用GridSearchCV
grid_search = GridSearchCV(rf_reg, param_grid, cv=5, scoring='r2')  # 'cv=5' 表示交叉验证次数，'scoring'选择评估指标（这里我们选R^2）

# 训练模型并找到最佳参数组合
grid_search.fit(X, y)

# 输出最佳参数及其对应评分
best_params = grid_search.best_params_
best_score = grid_search.best_score_

print(f"Best parameters: {best_params}")
print(f"Best R^2 score: {best_score}")

# 获取训练好的最佳模型
best_rf_reg = grid_search.best_estimator_

在这个例子中，`GridSearchCV`会遍历`param_grid`中的所有组合，并在每次迭代中训练一个随机森林模型，然后计算评估指标（在这里是R^2分数）。最终返回的是最佳参数和对应的最高得分。