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？

Question

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？

Answer 1

xgboost参数-调参_*Snowgrass*的博客-CSDN博客_xgboost调参 目录一、xgboost 原生接口重要参数训练参数预测函数绘制特征重要性回归例子二、xgboost 的 sklearn 风格接口XGBClassifier基本使用XGBRegressor基本使用三、xgboost 调参思路四、参考文章 xgboost 包含原生接口和 sklearn 风格接口两种，并且二者都实现了分类和回归的功能。如果想了解一些理论性的内容，可以看看之前的文章： XGBoost算法的相关知识一、xgboost 原生接口重要参数... https://blog.csdn.net/qq_36535820/article/details/120507280

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。