时间序列预测 | 随机森林时间序列预测建模，单步、多步（Python）

（1）代码解读

class sklearn.ensemble.RandomForestRegressor(n_estimators=100, *, criterion=‘squared_error’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=1.0, max_leaf_nodes=None, min_impurity_decrease=0.0, bootstrap=True, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, ccp_alpha=0.0, max_samples=None)
咋一看，跟RandomForestClassifier（用于分类，上传送门）参数也差不多，因此，我们列举出它们相同和不同的地方，便于对比记忆：

共同的参数：

n_estimators: 树的数量。

criterion: 用于测量分裂质量的函数。

RandomForestRegressor 可选：{‘mse’, ‘mae’}，默认为 ‘mse’。

RandomForestClassifier 可选：{‘gini’, ‘entropy’}，默认为 ‘gini’。

max_depth: 树的最大深度。

min_samples_split: 分裂内部节点所需的最小样本数。

min_samples_leaf: 叶节点所需的最小样本数。

min_weight_fraction_leaf: 叶节点所需的权重的最小加权总