隨機森林有兩大隨機特點：
1、random sampling of training data points when building trees
2、random subsets of features considered when splitting nodes
from sklearn.ensemble import randomforestregressor
# 預設引數
model = randomforestregressor(n_estimators=
10,
criterion=
"mse"
, max_depth=
none
, min_samples_split=2,
min_samples_leaf=1,
min_weight_fraction_leaf=0.
, max_features=
"auto"
, max_leaf_nodes=
none
, min_impurity_decrease=0.
, min_impurity_split=
none
, bootstrap=
true
, oob_score=
false
, n_jobs=1,
random_state=
none
, verbose=0,
warm_start=
false
)
n_estimators
n_estimators=10, 決策樹的數量
criterion
criterion="mse", string, optional，可以是mse：mean squared error，可以是mae：mean absolute error.
max_depth=none,
min_samples_split=2,
min_samples_leaf=1,
min_weight_fraction_leaf=0.,
max_features
max_features="auto", int, float, string or none, optional，每次節點分割時考慮的特徵的數量
int = n
float = int(max_features * n_features)
「auto」 = n_features
「sqrt」 = sqrt(n_features)
「log2」 = log2(n_features)
none = n_features
max_leaf_nodes=none,
min_impurity_decrease=0.,
min_impurity_split=none,
bootstrap
bootstrap=true, boolean, optional，設為true時，每棵樹用來訓練的資料集都是通過有放回抽樣得到的，通常抽樣到跟原資料集同樣大小；設為false時，則擬合每棵樹都是用的所有資料。
oob_score
oob_score=false, bool, optional，設為true時，可以通過model.oob_score_得到袋外（out-of-bag）資料的得分。當bootstrap=true，即每棵樹使用的資料都是通過有放回抽樣得到，我們擬合第k顆樹的時候，使用的資料集相比全量資料集肯定會有一部分沒有包括，這些就叫做袋外資料。當bootstrap=false時，使用model.oob_score_會報錯。
n_jobs=1,
random_state=none,
verbose=0,
warm_start=false
參考文獻：
[1] an implementation and explanation of the random forest in python
隨機森林python引數 隨機森林的引數說明
a.max features 隨機森林允許單個決策樹使用特徵的最大數量。python為最大特徵數提供了多個可選項。下面是其中的幾個 auto none 簡單地選取所有特徵，每顆樹都可以利用他們。這種情況下，每顆樹都沒有任何的限制。sqrt 此選項是每顆子樹可以利用總特徵數的平方根個。例如，如果變數 ...
sklearn中隨機森林的引數
1，criterion gini or entropy default gini 是計算屬性的gini 基尼不純度 還是entropy 資訊增益 來選擇最合適的節點。2，splitter best or random default best 隨機選擇屬性還是選擇不純度最大的屬性，建議用預設。3，m...
sklearn中隨機森林的引數
1，criterion gini or entropy default gini 是計算屬性的gini 基尼不純度 還是entropy 資訊增益 來選擇最合適的節點。2，splitter best or random default best 隨機選擇屬性還是選擇不純度最大的屬性，建議用預設。3，m...