RandomForestClassifier和RandomForestRegressor

RandomForestClassifier

参数介绍

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier (n_estimators='10' #基模型个数
                              ,criterion='gini' #不存度衡量，参数有"gini","entropy"
                              ,max_depth=None   #树的最大深度
                              ,min_samples_split=2  #结点包含最少的样本数
                              ,min_samples_leaf=1   #叶子含有最少的样本数
                              ,min_weight_fraction_leaf=0.0
                              ,max_features='auto'
                              ,max_leaf_nodes=None
                              ,min_impurity_decrease=0.0
                              ,min_impurity_split=None
                              ,bootstrap=True	#true表示有放回的随机抽样技术
                              ,oob_score=False	#obb_score=true表示用袋外的数据来测试，
                              #也就是说不用手动的划分测试集和训练集，这是因为随机抽样时会有
                              #37%的数据会被浪费掉（当数据比较大时），可以把这37%的数据用来测试
                              ,n_jobs=None
                              ,random_state=None    #填任意整数，使模型稳定
                              ,verbose=0
                              ,warm_start=False
                              ,class_weight=None
                              )
                         

当oob_score=False时：无需划分测试集和训练集

rfc = RandomForestClassifier(n_estimators=25,oob_score=True)
rfc = rfc.fit(wine.data,wine.target) #重要属性oob_score_
rfc.oob_score_

重要属性介绍

rfc.feature_importances_

重要方法

apply, fit, predict和score
predict_proba：返回每个测试样本对应的被分到每一类标签的概率，标签有几个分类
就返回几个概率

RandomForestRegressor

参数介绍

与RandomForestClassifier不同之处：
criterion：“mse”、“friedman_mse”、"mae"三个参数可选

重要属性介绍

没有特别说明，参考决策树的回归模型

重要方法

没有特别说明，参考决策树的回归模型