bg：對比決策樹來說，搞多幾棵樹就是隨機森林了

????????

rlf_1 = []
rlf_2 = []
for i in range(10):rfc = RandomForestClassifier(n_estimators=25)rfc_s = cross_val_score(rfc, wine.data, wine.target, cv=10).mean()rlf_1.append(rfc_s)clf = DecisionTreeClassifier()clf_s = cross_val_score(clf, wine.data, wine.target, cv=10).mean()rlf_2.append(clf_s)plt.plot(range(1, 11), rlf_1, label="Random Forest")
plt.plot(range(1, 11), rlf_2, label="Decision Forest")
plt.legend()
plt.show()

? ?

一、參數

? ? ?1、n_estimatiors

? ? ? ? ????????越大就效果越好，同時也消耗更多資源

superpa = []
for i in range(200):rfc = RandomForestClassifier(n_estimators=i+1, n_jobs=-1)   # n_jobs是調整調用的cpu核心rfc_s = cross_val_score(rfc, wine.data, wine.target, cv=10).mean()superpa.append(rfc_s)
print(max(superpa), superpa.index(max(superpa)))
plt.figure(figsize=[20, 5])     # 調整生成的尺寸
plt.plot(range(1, 201), superpa)
plt.show()

? ? ?2、n_jobs

? ? ? ? ? ? ? ? 調用的cpu核心，-1就是調用全部

? ? ?3、oob_score

? ? ? ? ? ? ? ? true的時候，所有的數據都會用于測試和訓練，對單棵樹自動分測試和訓練集，如果想要整個森林的測試得分就直接“模型.oob_score_”。

二、接口

? ? ? ? 1、predict_proba

? ? ? ? ? ? ? ? 在每個target的概率

????????