Python 带有RandomForestRegressionor的param_网格上的GridSearchCV错误

这是我在随机森林回归模型上使用GridSearchCV时遇到的错误。 这是密码

ValueError: Invalid parameter estimator for estimator RandomForestRegressor().
Check the list of available parameters with `estimator.get_params().keys()`.

---

从错误消息中：

ValueError:估计器RandomForestRegressor（）的参数估计器无效。 使用

estimator.get_params（）.keys（）

检查可用参数列表

您可以看到您在

rf\u网格中错误地指定了参数

使用：

根据以下建议：

rf_grid= {"n_estimators": np.arange(10,100,10),
      "max_depth": [None,3,5,10],
      "min_samples_split": np.arange(2,20,2),
      "min_samples_leaf" : np.arange(1,20,2),
      "max_features": [0.5,1,'sqrt','auto'],
      "max_samples" : [10000]
}

dict_键（['bootstrap'、'ccp_alpha'、'criteria'、'max_depth'，
“最大特征”、“最大叶节点”、“最大样本”，
“最小杂质减少”、“最小杂质分离”、“最小样本叶”，
‘最小样本分割’、‘最小权重分数叶’、‘n估计量’，
‘n_作业’、‘oob_分数’、‘随机状态’、‘冗长’、‘热启动’】

首先，为了了解应该如何在字典中命名参数，您可以像下面这样提前打印它们：

rfr_2.get_params().keys()

打印完所有参数后，现在可以选择要传递到网格字典中的参数

你应该做的是去掉“估计器”，你把它放在每个参数前面

此外，一旦您这样做，您将遇到另一个错误。也就是说，参数max_samples可以取1到232之间的值，您输入的值（10000）太高。
下面是修改过的代码块，应该可以使用

print(rfr_2.get_params())

所以我应该用单引号而不是双引号

这是我第一次写的，但它表明“n_估计器”是RandomForestRegressionor（）的无效参数。您使用的是什么版本的scikit？使用最新的，
n_estimators
是该估计器的有效参数。它是最新的，我已经在下面发布了解决方案，如果您感兴趣，这是一个愚蠢的解决方案。您已经接受了我的答案，并在我的答案之后发布了我的解决方案。在发布之前尝试这些，
estimator.get_params（）.keys（）
建议我在开始时添加估计器名称。您第一次尝试时，可能会出现错误，因为您将“min_sample_split”和“min_sample_leaf”替换为“min_samples_split”和“min_samples_leaf”。请尝试使用我提供的代码，因为我重新创建了整个环境，它工作了感谢花时间，是的，我以前确实遇到了一个错误，现在我返回到它，这是由于使用双引号而不是单引号。顺便说一句，我已经在下面发布了解决方案
print(rfr_2.get_params())

rf_grid= {"n_estimators": np.arange(10,100,10),
  "max_depth": [None,3,5,10],
  "min_samples_split": np.arange(2,20,2),
  "min_samples_leaf" : np.arange(1,20,2),
  "max_features": [0.5,1,'sqrt','auto'],
  "max_samples" : [100]

 %%time 
 from sklearn.model_selection import RandomizedSearchCV

 rf_grid= {'n_estimators': np.arange(10,100,10),
      'max_depth': [None,3,5,10],
      'min_samples_split': np.arange(2,20,2),
      'min_samples_leaf' : np.arange(1,20,2),
      'max_features': [0.5,1,'sqrt','auto'],
      'max_samples' : [100]
  }

  rs_model= RandomizedSearchCV(rfr,
                        param_distributions=rf_grid,
                        n_iter=100,
                        cv=5,
                        verbose= True)
  rs_model.get_params()
  }