随机森林在sklearn中的使用

在上一篇文章中，笔者介绍了常见集成模型的主要思想，并且还提到随机森林是使用最为广泛的集成模型之一。因此在本篇文章中，笔者将会再次就随机森林的其它应用以及其在sklearn中的具体用法进行介绍。

1 API介绍

在上一篇文章中，我们介绍了随机森林的基本原理，但并没有对其的具体用法做出详细的示例。接下来，我们就对其在sklearn[1]中的具体用法进行介绍。

打开sklearn中关于随机森林的定义可以发现：

A random forest classifier.

A random forest is a meta estimator that fits a number of decision tree classifiers on various sub-samples of the dataset and uses averaging to improve the predictive accuracy and control over-fitting.

随机森林是一个元估计器，它是由一系列的决策树分类器所构成；并且每个决策树都是通过原始训练集中的部分数据样本训练得来，最后通过’平均‘的方式来提升分类准确率和控制过拟合现象。

def __init__(self,
                 n_estimators=100,
                 criterion="gini",
                 max_depth=None,
                 min_samples_split=2,
                 min_samples_leaf=1,
                 bootstrap=True,
                 n_jobs=None,
                 random_state=None,
                 max_samples=None):

以上代码为sklearn中对于随机森林分类器中常用的参数，其中相关