随机森林算法

n_estimators:数值型取值
    含义：森林中决策树的个数，默认是10
    
criterion:字符型取值
    含义：采用何种方法度量分裂质量，信息熵或者基尼指数，默认是基尼指数

max_features:取值为int型, float型, string类型, or None()，默认"auto"
    含义：寻求最佳分割时的考虑的特征数量，即特征数达到多大时进行分割。
    int:max_features等于这个int值
    float:max_features是一个百分比，每(max_features * n_features)特征在每个分割出被考虑。
    "auto":max_features等于sqrt(n_features)
    "sqrt":同等于"auto"时
    "log2":max_features=log2(n_features)
    None:max_features = n_features

max_depth:int型取值或者None，默认为None
    含义：树的最大深度

min_samples_split:int型取值，float型取值，默认为2
    含义：分割内部节点所需的最少样本数量
    int:如果是int值，则就是这个int值
    float:如果是float值，则为min_samples_split * n_samples

min_samples_leaf:int取值，float取值，默认为1
    含义：叶子节点上包含的样本最小值
    int:就是这个int值
    float:min_samples_leaf * n_samples

min_weight_fraction_leaf : float，default=0.
    含义：能成为叶子节点的条件是：该节点对应的实例数和总样本数的比值，至少大于这个min_weight_fraction_leaf值

max_leaf_nodes:int类型，或者None(默认None)
    含义：最大叶子节点数，以最好的优先方式生成树，最好的节点被定义为杂质相对较少，即纯度较高的叶子节点

min_impurity_split:float取值 
    含义：树增长停止的阀值。一个节点将会分裂，如果他的杂质度比这个阀值；如果比这个值低，就会成为一个叶子节点。

min_impurity_decrease:float取值，默认0.
    含义：一个节点将会被分裂，如果分裂之后，杂质度的减少效果高于这个值。

bootstrap:boolean类型取值，默认True
    含义：是否采用有放回式的抽样方式

oob_score:boolean类型取值，默认False
    含义：是否使用袋外样本来估计该模型大概的准确率

n_jobs:int类型取值，默认1
    含义：拟合和预测过程中并行运用的作业数量。如果为-1，则作业数设置为处理器的core数。

class_weight:dict, list or dicts, "balanced"
    含义：如果没有给定这个值，那么所有类别都应该是权重1
    对于多分类问题，可以按照分类结果y的可能取值的顺序给出一个list或者dict值，用来指明各类的权重.
    "balanced"模式，使用y值自动调整权重，该模式类别权重与输入数据中的类别频率成反比，即n_samples / (n_classes * np.bincount(y))，分布为第n个类别对应的实例数。
    "balanced_subsample"模式和"balanced"模式类似，只是它计算使用的是有放回式的取样中取得样本数，而不是总样本数