python随机森林参数说明
写在前⾯的话：本⼈刚刚学sklearn，很多参数也不是很懂，英语⼜⽐较low，只能求助google翻译，若有不对的地⽅，请⼤佬指出来。
n_estimators : integer, optional (default=10)
随机森林树的数⽬
criterion : string, optional (default=”gini”)
衡量分裂质量的功能。 ⽀持的标准是基尼杂质的“gini”和信息增益的“熵”。 注意：此参数是特定于树的。
max_features : int, float, string or None, optional (default=”auto”)
寻找最佳分割时要考虑的功能数量：
假期英文如果是int，则在每次拆分时考虑max_features功能。
如果为float，则max_features为百分⽐，并在每次拆分时考虑int（max_features * n_features）要素。
如果是“auto”，则max_features = sqrt（n_features）。
如果是“sqrt”，则max_features = sqrt（n_features）（与“auto”相同）。大学英语视听说答案
如果是“log2”，则max_features = log2（n_features）。
如果为None，则max_features = n_features。
自然英语注意：在找到节点样本的⾄少⼀个有效分区之前，搜索分割不会停⽌，即使它需要有效地检查超过max_features的功能。
max_depth : integer or None, optional (default=None)
树的最⼤深度。 如果为None，则扩展节点直到所有叶⼦都是纯的或直到所有叶⼦包含少于min_sampl
es_split样本。
min_samples_split : int, float, optional (default=2)
华南农业大学自考拆分内部节点所需的最⼩样本数：
如果是int，则将min_samples_split视为最⼩数字。
如果是float，则min_samples_split是百分⽐，ceil（min_samples_split * n_samples）是每个分割的最⼩样本数。省份英语
min_samples_leaf : int, float, optional (default=1)
叶⼦节点所需的最⼩样本数：
如果是int，则将min_samples_leaf视为最⼩数字。
如果是float，则min_samples_leaf是百分⽐，ceil（min_samples_leaf * n_samples）是每个节点的最⼩样本数。
min_weight_fraction_leaf : float, optional (default=0.)
需要在叶节点处的权重总和（所有输⼊样本）的最⼩加权分数。 当未提供sample_weight时，样本具有相同的权重。
max_leaf_nodes : int or None, optional (default=None)
以最佳⽅式使⽤max_leaf_nodes种植树⽊。 最佳节点定义为杂质的相对减少。 如果None则⽆限数量的叶节点。
min_impurity_split : float,
树⽊⽣长早期停⽌的门槛。 如果节点的杂质⾼于阈值，节点将分裂，否则它是叶⼦。
min_impurity_decrea : float, optional (default=0.)
如果该分裂导致杂质的减少⼤于或等于该值，则将分裂节点。
shatteredbootstrap : boolean, optional (default=True)qq名字英文
是否在构建树时使⽤bootstrap样本。
oob_score : bool (default=Fal)
是否使⽤袋外样品来估计泛化精度。
n_jobs : integer, optional (default=1)
适合和预测并⾏运⾏的核⼼数。 如果为-1，则将作业数设置为核⼼数。
random_state : int, RandomState instance or None, optional (default=None)
如果是int，则random_state是随机数⽣成器使⽤的种⼦; 如果是RandomState实例，则random_state是随机数⽣成器; 如果为None，则随机数⽣成器是np.random使⽤的RandomState实例。
verbo : int, optional (default=0)pada
控制树构建过程的详细程度。
warm_start : bool, optional (default=Fal)
设置为True时，重⽤上⼀个调⽤的解决⽅案以适合并向整体添加更多估算器，否则，只需适合整个新林。
class_weight : dict, list of dicts, “balanced”,
“balanced_subsample”或None，optional（default = None）与{class_label：weight}形式的类相关联的权重。如果没有给出，所有类都应该有⼀个权重。对于多输出问题，可以按与y列相同的顺序提供dicts列表。
2016江苏高考英语答案请注意，对于多输出（包括多标记），应为其⾃⼰的dict中的每个列的每个类定义权重。例如，对于四类多标签分类权重应为[{0：1,1：1}，{0：1,1：5}，{0：1,1：1}，{0：1,1： 1}]⽽不是[{1：1}，{2：5}，{3：1}，{4：1}]。
美剧排行榜前十名
“平衡”模式使⽤y的值⾃动调整与输⼊数据中的类频率成反⽐的权重，如n_samples /（n_class * np.bincount（y））
“balanced_subsample”模式与“balanced”相同，只是基于每个⽣长的树的bootstrap样本计算权重。
对于多输出，y的每列的权重将相乘。
请注意，如果指定了sample_weight，这些权重将与sample_weight（通过fit⽅法传递）相乘。
