python模型训练 warm_start_在scikit学习中结合随机森林模型

我相信这可以通过修改RandomForestClassifier对象上的estimators_和n_estimators属性来实现。林中的每个树都存储为DecisionTreeClassifier对象，这些树的列表存储在estimators_属性中。为了确保不存在间断性，改变n_estimators中的估计数也是有意义的。

这种方法的优点是，您可以在多台机器上并行地构建一堆小森林，并将它们组合起来。

下面是一个使用iris数据集的示例：from sklearn.ensemble import RandomForestClassifier

from sklearn.cross_validation import train_test_split

from sklearn.datasets import load_iris

def generate_rf(X_train, y_train, X_test, y_test):

rf = RandomForestClassifier(n_estimators=5, min_samples_leaf=3)

rf.fit(X_train, y_train)

print "rf score ", rf.score(X_test, y_test)

return rf

def combine_rfs(rf_a, rf_b):

rf_a.estimators_ += rf_b.estimators_

rf_a.n_estimators = len(rf_a.estimators_)

return rf_a

iris = load_iris()

X, y = iris.data[:, [0,1,2]], iris.target

X_trai