随机森林
- 袋外数据OOB：在每一轮训练中有36.8%的数据不会被抽取到
- 袋外数据错误率：参考https://www.cnblogs.com/zhangzhixing/p/11150317.html
- 调参方法：
- 常用参数：n_estimators决策树的个数、每棵树最大特征数（max_features） 一般用sqrt(总特征数)、最大树深度”（max_depth）、“分裂所需最小样本数”（min_samples_split）所需样本越少意味着模型越复杂
- 网格化搜索：sklearn 提供了相应的方GridSearchCV，穷举找到全局最优的参数，但计算复杂度较高，适合小规模的问题
- 贪心的坐标下降搜索：固定其他参数，将一个参数调整到最好，这样循环一轮，优点是搜索规模小，但得到的可能不是全局最优值
- 随机网格化搜索
