(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