randomforestregressor参数详解

本文详细解读sklearn的RandomForestRegressor参数,包括n_estimators、criterion、max_depth等,帮助理解如何调整这些参数以提高回归预测的准确性和防止过拟合。
摘要由CSDN通过智能技术生成

randomforestregressor参数详解:

sklearn.ensemble.RandomForestRegressor(  n_estimators=10,   #  数值型参数,默认值为100,此参数指定了弱分类器的个数。设置的值越大,精确度越好,但是当 n_estimators 大于特定值之后,带来的提升效果非常有限。
										 criterion='mse',   # 其中,参数criterion 是字符串类型,默认值为 ‘mse’,是衡量回归效果的指标。可选的还有‘mae’ 。
										 max_depth=None,    # 数值型,默认值None。这是与剪枝相关的参数,设置为None时,树的节点会一直分裂,直到:(1)每个叶子都是“纯”的;(2)或者叶子中包含于min_sanples_split个样本。推荐从 max_depth = 3 尝试增加,观察是否应该继续加大深度。
										 min_samples_split=2,  # 数值型,默认值2,指定每个内部节点(非叶子节点)包含的最少的样本数。与min_samples_leaf这个参数类似,可以是整数也可以是浮点数。
										 min_samples_leaf=1,  # 数值型,默认值1,指定每个叶子结点包含的最少的样本数。参数的取值除了整数之外,还可以是浮点数,此时(min_samples_leaf * n_samples)向下取整后的整数是每个节点的最小样本数。此参数设置的过小会导致过拟合,反之就会欠拟合。
										 min_weight_fraction_leaf=0.0,  # (default=0) 叶子节点所需要的最小权值
										 max_features='auto',   # 可以为整数、浮点、字符或者None,默认值为None。此参数用于限制分枝时考虑的特征个数,超过限制个数的特征都会被舍弃。
										 max_leaf_nodes=None,   # 数值型参数,默认值为None,即不限制最大叶子节点数。这个参数通过限制树的最大叶子数量来防止过拟合,如果设置了一个正整数,则会在建立的最大叶节点内的树中选择最优的决策树。
										 min_impurity_split=1e-07, # float, optional (default=0.)如果节点的分裂导致不纯度的减少(分裂后样本比分裂前更加纯净)大于或等于min_impurity_decrease,则分裂该节点。
										 bootstrap=True,        # 是否有放回的采样。
										 oob_score=False,       #  oob(out of band,带外)数据,即:在某次决策树训练中没有被bootstrap选中的数据
										 n_jobs=1,              # 并行job个数。
										 random_state=None,      # # 随机种子
										 verbose=0,          # (default=0) 是否显示任务进程
										 warm_start=False)   # 热启动,决定是否使用上次调用该类的结果然后增加新的。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值