1. • RandomForestClassifier用于分类问题
   • RandomForestRegressor用于回归问题

1. GradientBoostingClassifier是随机森林分类模型，其原型为：

   • n_estimators：一个整数，指定了随机森林中决策树的数量.

   • criterion：一个字符串，指定了每个决策树的criterion参数。

   • max_features：一个整数或者浮点数或者字符串或者None，指定了每个决策树的max_features参数。

   • max_depth：一个整数或者None，指定了每个决策树的max_depth参数。

     如果max_leaf_nodes不是None，则忽略本参数。

   • min_samples_split：一个整数，指定了每个决策树的min_samples_split参数。

   • min_weight_fraction_leaf：一个浮点数，指定了每个决策树的min_weight_fraction_leaf参数。

   • max_leaf_nodes：为整数或者None，指定了每个基础决策树模型的max_leaf_nodes参数。

   • boostrap：为布尔值。如果为，则使用采样法bootstrap sampling来产生决策树的训练数据集。

   • oob_score：为布尔值。如果为True，则使用包外样本来计算泛化误差。

   • n_jobs：指定并行性。

   • random_state：指定随机数种子。

   • class_weight：一个字典，或者字典的列表，或者字符串'balanced'，或者字符串'balanced_subsample'，或者None：

     • 如果为字典：则字典给出了每个分类的权重，如 ：{class_label: weight} 。
     • 如果为字符串'balanced'：则每个分类的权重与该分类在样本集中出现的频率成反比。
     • 如果为字符串 'balanced_subsample'：则样本集为采样法bootstrap sampling产生的决策树的训练数据集，每个分类的权重与该分类在采用生成的样本集中出现的频率成反比。
     • 如果为None：则每个分类的权重都为 1 。

2. 模型属性：

   • estimators_：所有训练过的基础决策树。
   • classes_：所有的类别标签。
   • n_classes_：类别数量。
   • n_features_：训练时使用的特征数量。
   • n_outputs_：训练时输出的数量。
   • feature_importances_：每个特征的重要性。
   • oob_score_：训练数据使用包外估计时的得分。

3. 模型方法：

   • ：训练模型。
   • predict(X)：用模型进行预测，返回预测值。
   • predict_log_proba(X)：返回一个数组，数组的元素依次是X预测为各个类别的概率的对数值。
   • score(X,y[,sample_weight])：返回模型的预测性能得分。

8.2 RandomForestRegressor

1. RandomForestRegressor是随机森林回归模型，其原型为：

   class 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, bootstrap=True, oob_score=False, n_jobs=1,
   random_state=None, verbose=0, warm_start=False

   参数：参考 GradientBoostingClassifier 。

2. 模型属性：

   • estimators_：所有训练过的基础决策树。
   • n_features_：训练时使用的特征数量。
   • n_outputs_：训练时输出的数量。
   • feature_importances_：每个特征的重要性。
   • oob_score_：训练数据使用包外估计时的得分。
   • oob_prediction_：训练数据使用包外估计时的预测值。

3. 模型方法：

   • fit(X, y[, sample_weight])：训练模型。
   • score(X,y[,sample_weight])：返回模型的预测性能得分。