1、决策树
可参考1参考2 回归决策树
DecisionTreeRegressor(criterion="mse",
splitter="best",
max_depth=None,
min_samples_split=2,
min_samples_leaf=1,
min_weight_fraction_leaf=0.,
max_features=None,
random_state=None,
max_leaf_nodes=None,
min_impurity_decrease=0.,
min_impurity_split=None,
presort=False)分类决策树
DecisionTreeClassifier(criterion="gini",
splitter="best",
max_depth=None,
min_samples_split=2,
min_samples_leaf=1,
min_weight_fraction_leaf=0.,
max_features=None,
random_state=None,
max_leaf_nodes=None,
min_impurity_decrease=0.,
min_impurity_split=None,
class_weight=None,
presort=False)2、随机森林
分类随机森林
参考1 包括决策树参数同上和同下特有参数
特有参数：
1)n_estimators=10：决策树的个数，越多越好，但是性能就会越差，至少100左右（具体数字忘记从哪里来的了）可以达到可接受的性能和误差率。
2)bootstrap=True：是否有放回的采样。
3)oob_score=False：oob（out of band，带外）数据，即：在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练，我们知道可以用cross validation（cv）来进行，但是特别消耗时间，而且对于随机森林这种情况也没有大的必要，所以就用这个数据对决策树模型进行验证，算是一个简单的交叉验证。性能消耗小，但是效果不错。
4)n_jobs=1：并行job个数。这个在ensemble算法中非常重要，尤其是bagging（而非boosting，因为boosting的每次迭代之间有影响，所以很难进行并行化），因为可以并行从而提高性能。1=不并行；n：n个并行；-1：CPU有多少core，就启动多少job。
5)warm_start=False：热启动，决定是否使用上次调用该类的结果然后增加新的。
6)class_weight=None：各个label的权重。
预测函数参数
1)predict_proba(x)：给出带有概率值的结果。每个点在所有label的概率和为1.
2)predict(x)：直接给出预测结果。内部还是调用的predict_proba()，根据概率的结果看哪个类型的预测值最高就是哪个类型。
3)predict_log_proba(x)：和predict_proba基本上一样，只是把结果给做了log()处理。
3、XGBoostClassifier 参数
learning_rate:学习率 [0-1] - 0.3
n_estimators:模型中建立树的数量 [0-100] - 100
max_depth:树的最大深度，最大容易过拟合 [3-15] - 6
min_child_weight：划分到某个叶子节点的所有样本权重之和的最小值 [0-10] - 1
gamma:划分到叶子节点所需要达到的最小损失减少值 [0-10] -0
subsample:训练时使用的子样本占全部训练集的比例 [0.5-1] 1
colsamle_bytree:建树时使用的特征占总特征的比例 [0.5,1]-1
reg_alpha:L1正则化权重，越大可以防止过拟合 [0-10]-0
reg_lambda:L2正则化权重，越大可以防止过拟合 [0-10]-1
