RandomForestClassifier

RandomForestClassifier：

from sklearn.ensemble import RandomForestClassifier

RandomForestClassifier（n_estimators=100，bootstrap=True，oob_score=False，n_jobs=1，warm_start=False ，class_weight=None ）

重要参数：

n_estimators：决策树的个数，越多越好，但是性能就会越差，至少100左右可以达到可接受的性能和误差率。

bootstrap：是否进行又放回采样。

oob_score：袋外数据，即在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练，我们知道可以用cross validation（cv）来进行，但是特别消耗时间，而且对于随机森林这种情况也没有大的必要，所以就用这个数据对决策树模型进行验证，算是一个简单的交叉验证。性能消耗小，但是效果不错。

n_jobs：并行job个数。这个在ensemble算法中非常重要，尤其是bagging（而非boosting，因为boosting的每次迭代之间有影响，所以很难进行并行化），因为可以并行从而提高性能。n=1不并行；n= n n个并行；n= -1 CPU有多少core，就启动多少job。

warm_start：热启动，决定是否使用上次调用该类的结果。

class_weight：每个类的权重，可以用字典的形式传入{class_label: weight}。如果选择了“balanced”，则输入的权重为n_samples / (n_classes * np.bincount(y))。

其余参数：

criterion：分裂节点所用的标准，可选“gini”, “entropy”，默认“gini”。

max_depth：树的最大深度。如果为None，则将节点展开，直到所有叶子都是纯净的(只有一个类)，或者直到所有叶子都包含少于min_samples_split个样本。默认是Non