class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion='gini', 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, class_weight=None)

参数

• n_estimators : integer, optional (default=10)
  随机森林中树的数量；
• criterion : string, optional (default=”gini”)
  树分裂的规则：gini系数，entropy熵；
• max_features : int, float, string or None, optional (default=”auto”)
  查找最佳分裂所需考虑的特征数，
  int：分裂的最大特征数，
  float：分裂的特征占比，
  auto、sqrt：sqrt(n_features)，
  log2：log2(n_features)，
  None：n_features，
• max_depth : integer or None, optional (default=None)
  树的最大深度；
• min_samples_split：int, float, optional (default=2)
  最小分裂样本数；
• min_samples_leaf : int, float, optional (default=1)
  最小叶子节点样本数；
• min_weight_fraction_leaf : float, optional (default=0.)
  最小叶子节点权重；
• max_leaf_nodes : int or None, optional (default=None)
  最大叶子节点数；
• min_impurity_split : float, optional (default=1e-7)
  分裂的最小不纯度；
• bootstrap : boolean, optional (default=True)
  是否使用bootstrap；
• oob_score : bool (default=False)
  是否使用袋外（out-of-bag）样本估计准确度；
• n_jobs : integer, optional (default=1)
  并行job数，-1 代表全部；
• random_state : int, RandomState instance or None, optional (default=None)
  随机数种子；
• verbose : int, optional (default=0)
  Controls the verbosity of the tree building process.（控制树冗余？）
• warm_start : bool, optional (default=False)
  如果设置为True，在之前的模型基础上预测并添加模型，否则，建立一个全新的森林；
• class_weight : dict, list of dicts, “balanced”,
  “balanced” 模式自动调整权重，每类的权重为 n_samples / (n_classes * np.bincount(y))，即类别数的倒数除以每类样本数的占比。

属性

• estimators_ : list of DecisionTreeClassifier
  森林中的树；
• classes_ : array of shape = [n_classes] or a list of such arrays
  类标签；
• n_classes_ : int or list
  类；
• n_features_ : int
  特征数；
• n_outputs_ : int
  输出数；
• feature_importances_ : array of shape = [n_features]
  特征重要性；
• oob_score_ : float
  使用袋外样本估计的准确率；
• oob_decision_function_ : array of shape = [n_samples, n_classes]
  决策函数