一、一般的模型调参原则
1、调参前提：模型调参其实是没有定论，需要根据不同的数据集和不同的模型去调。但是有一些调参的思想是有规律可循的，首先我们可以知道，模型不准确只有两种情况：一是过拟合，而是欠拟合。过拟合是指模型过于复杂，欠拟合是指模型过于简单。
2、查找资料：调参时应该知道每一个参数的默认值是多少，其增大或者减小会使模型更加复杂还是更加简单。
3、调参可以使用两种方法：1、学习曲线 2、网格搜索
-
学习曲线只能对参数一个一个进行调整，可以观察参数的增大或者减小具体对模型产生怎样的影响；网格搜索可以同时对多个参数进行调整，也可以对单个参数进行调整。
-
我们可以查找资料？？？找出模型的各个参数对于模型的影响大小的顺序，先对影响较大的参数进行调整，再对影响较小的参数进行调整。——由粗到精
-
调参时应该确定模型处于方差-偏差曲线的左侧还是右侧，即模型是过拟合还是欠拟合。
4、学习曲线
有一些参数，我们不知道它对于模型有着怎样的影响，也不知道参数的合适范围，这时我们可以用学习曲线的方法进行调参。先按照step取较大值进行调，然后在可能最优的范围内缩小步长，进一步确定最佳参数。
5、网格搜索
网格搜索既可以一次对多个参数进行调参，也可以一次只调一个参数。但是在一次调多个参数时太费时间，且在调出的参数不是十分好的时候，我们因为不知道其调参的原理因此不知道该如何调整。
二、随机森林的调参——对于乳腺癌数据集
1、首先先调既不会增加模型复杂度，又对模型影响最大的参数n_estimators（学习曲线）
2、找到最佳值后，调max_depth（单个网格搜索，也可以用学习曲线）
一般根据数据的大小来进行一个试探，乳腺癌数据很小，所以可以采用1~10，或者1~20这样的试探但对于像digit recognition那样的大型数据来说，我们应该尝试30~50层深度（或许还不足够）
3、接下来依次对各个参数进行调参。
注：对于大型数据集，max_leaf_nodes可以尝试从1000来构建，先输入1000，每100个叶子一个区间，再逐渐缩小范围
对于min_samples_split和min_samples_leaf,一般是从他们的最小值开始向上增加10或20,面对高维度高样本量数据，如果不放心，也可以直接+50，对于大型数据，可能需要200~300的范围,如果调整的时候发现准确率无论如何都上不
来，那可以放心大胆调一个很大的数据，大力限制模型的复杂度