sklearn随机森林

classsklearn.ensemble.RandomForestClassifier(
n_estimators=10, criterion=‘gini’,
max_depth=None,min_samples_split=2,
min_samples_leaf=1, min_weight_fraction_leaf=0.0,
max_features=‘auto’, max_leaf_nodes=None,
min_impurity_split=1e-07,bootstrap=True,
oob_score=False, n_jobs=1,
random_state=None, verbose=0,
warm_start=False, class_weight=None)

随机森林框架参数：
1、n_estimators:弱学习器的最大迭代次数，或者说最大的学习器个数，若过小容易过拟合，过大容易欠拟合，一般选择适中数值，默认为100.实际调参中，常常与learning_rate一起考虑。
2、oob_score:是否采用袋外样本来考虑模型好坏，推荐设置为True。袋外分数反应了模型拟合后的泛化能力。
3、criterion:CART树做划分时对特征的分类标准。分类RF默认是基尼系数gini，另一个标准是信息增益；回归RF默认是均方差mse,另一个标准是绝对值差mae.一般来说选择默认就可以。
RF重要的框架参数比较少，主要关注n_estimators，即RF最大的决策树个数。

随机森林决策树参数：
RF的决策树参数，它要调参的参数与GBDT基本相同。
1、max_feart