这篇文章首要介绍“sklearn随机森林的参数有哪些”，在日常操作中，信任许多人在sklearn随机森林的参数有哪一些问题上存在疑问，小编查阅了各式材料，整理出简略好用的操作方法，期望对我们回答”sklearn随机森林的参数有哪些”的疑问起到必定的协助！接下来，请跟着小编一起来学习吧！
随机森林是一个元估量器，它合适数据集的各个子样本上的多个决策树分类器，并运用平均值来进步猜测精度和操控过度拟合。子样本巨细一直与原始输入样本巨细相同，但假如bootstrap = True（默认值），则会运用替换来制作样本。先看这个类的参数：
min_impurity_split : float, 浮点数树前期成长的阈值。假如一个节点的不纯度超越阈值那么这个节点将会割裂，不然它仍是一片叶子。
n_jobs : integer, optional (default=1) 整数，可选的（默认值为1）用于拟合和猜测的并行运转的作业（作业）数量。假如值为-1，那么作业数量被设置为核的数量。
warm_start : bool, optional (default=False) 布尔值，可选的（默认值为False）当被设置为True时，从头运用之前呼叫的处理方案，用来给整体拟合和增加更多的估量器，反之，仅只是为了拟合一个全新的森林。
n_classes_ : int or list 整数或许序列，类别的数量（单输出问题），或许一个序列，包括每一个输出的类别数量（多输出问题）
oob_score_ : float 浮点数，运用袋外估量取得的练习数据集的得分。
参数的默认值操控决策树的巨细（例如，max_depth，，min_samples_leaf等等），导致彻底的成长和在某些数据集上或许非常大的未修剪的树。为下降内容耗费，决策树的复杂度和巨细应该经过设置这些参数值来操控。
这些特征总是在每个切割中随机摆放。因而，即便运用相同的练习数据，max_features = n_features和bootstrap = False，假如在查找最佳切割期间所罗列的若干切割的原则的改善是相同的，那么找到的最佳切割点或许会不同。为了在拟合过程中取得一个确认的行为，random_state将不得已被批改。
到此，关于“sklearn随机森林的参数有哪些”的学习就完毕了，期望能够处理我们的疑问。理论与实践的调配能更好的协助我们学习，快去试试吧！若想持续学习更多相关常识，请持续重视亿速云网站，小编会持续尽力为我们带来更多有用的文章！
