sklearn.ensemble.RandomForestRegressor(  n_estimators=10,
                                             criterion='mse',
                                             max_depth=None,
                                             min_samples_split=2,
                                             min_samples_leaf=1,
                                             min_weight_fraction_leaf=0.0,
                                             max_features='auto',
                                             max_leaf_nodes=None,
                                             min_impurity_split=1e-07,
                                             bootstrap=True,
                                             oob_score=False,
                                             n_jobs=1,
                                             random_state=None,
                                             verbose=0,
                                             warm_start=False)

RandomForestRegressor 参数详解（官方英文版）

英文详解

RandomForestRegressor 参数详解（中文版）

转自此处

其中关于决策树的参数：

• criterion: “mse”来选择最合适的节点。

• splitter: ”best” or “random”(default=”best”)随机选择属性还是选择不纯度最大的属性，建议用默认。

• max_features: 选择最适属性时划分的特征不能超过此值。
  当为整数时，即最大特征数；当为小数时，训练集特征数*小数；
  if “auto”, then max_features=sqrt(n_features).
  If “sqrt”, thenmax_features=sqrt(n_features).
  If “log2”, thenmax_features=log2(n_features).
  If None, then max_features=n_features.

• max_depth: (default=None)设置树的最大深度，默认为None，这样建树时，会使每一个叶节点只有一个类别，或是达到min_samples_split。

• min_samples_split: 根据属性划分节点时，每个划分最少的样本数。

• min_samples_leaf: 叶子节点最少的样本数。

• max_leaf_nodes: (default=None)叶子树的最大样本数。

• min_weight_fraction_leaf: (default=0) 叶子节点所需要的最小权值

• verbose: (default=0) 是否显示任务进程

关于随机森林特有的参数：

• n_estimators=10： 决策树的个数，越多越好，但是性能就会越差，至少100左右（具体数字忘记从哪里来的了）可以达到可接受的性能和误差率。

• bootstrap=True： 是否有放回的采样。

• oob_score=False： oob（out of band，带外）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=1： 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。1=不并行；n：n个并行；-1：CPU有多少core，就启动多少job

• warm_start=False： 热启动，决定是否使用上次调用该类的结果然后增加新的。

• class_weight=None： 各个label的权重。

进行预测可以有几种形式：

• predict_proba(x)： 给出带有概率值的结果。每个点在所有label的概率和为1.

• predict(x)： 直接给出预测结果。内部还是调用的predict_proba()，根据概率的结果看哪个类型的预测值最高就是哪个类型。

• predict_log_proba(x)： 和predict_proba基本上一样，只是把结果给做了log()处理。