python 随机森林调参_随机森林调参

前两天写了个scikit-learn初步学习，今天没事又照着写了个RF模型的，刚开始还不懂这个python列表推导式，想了想还是挺好用的。

然后用了GridSearchCv这个参数优化类，遍历多种参数组合(也就是暴搜最优参数组合)，通过交叉验证确定最佳效果参数。

所以优化完可能对训练数据拟合更差，泛化能力更强？

最后还有把数据划分为训练集和测试集。

最后说一下用的数据还是scikit-learn初步学习里面的 但是加了标签，也就是在数据第一行添加上f1,f2,f3,f4,f5,f6,f7,f8,result。

#coding=utf-8

import pandas as pd

import numpy as np

from sklearn.ensemble import RandomForestClassifier

from sklearn.grid_search import GridSearchCV

from sklearn import cross_validation,metrics

import matplotlib.pylab as plt

from sklearn.externals import joblib

from sklearn.cross_validation import train_test_split

train = pd.read_csv("C:\Users\Administrator\Desktop\hh_practice.csv")

# for row in train:

# print row

# print 8888

# print train.head(10)

# print t