在做分类问题和回归问题时，用随机森林和xgboost，一般对随机森林和xgboost的哪些参数进行调优，会得到很好的效果呢？
在做分类问题和回归问题时，用随机森林和xgboost，一般对随机森林和xgboost的哪些参数进行调优，会得到很好预测的效果呢？
随机森林调参_*Snowgrass*的博客-CSDN博客_随机森林调参
在scikit-learn中，RandomForest的分类器是RandomForestClassifier，回归器是RandomForestRegressor，需要调参的参数包括两部分，第一部分是Bagging框架的参数，第二部分是CART决策树的参数。一、Bagging框架的参数：1.n_estimators:也就是弱学习器的最大迭代次数，或者说最大的弱学习器的个数，默认是10。一般来说n_estimators太小，容易欠拟合，n_estimators太大，又容易过拟合，一般选...
https://blog.csdn.net/qq_36535820/article/details/119801268
调参可以看链接，具体怎么调整才回好，只能实践，有些数据集可以调整树深度就行，有些就不行，不然为啥机器学习和深度学习叫炼丹，就是调参不一样，可能结果也不同，其中有些玄学，数学也不好解释，只能从结果推论在这个数据集上面这个参数改动下效果好很多。
随机森林的森林数量
随机森林我用的少，上面的答主分享的链接参考即可。xgboost亲测，树的深度、随机采样率，学习率影响较为明显。当然，一切还需要根据样本情况具体分析，望采纳，谢谢
使用深度学习