假设我决定使用整体方法-如果有区别，我们将使用虹膜数据集。在可用的集成技术中，我们将重点介绍并行方法，并从中使用sklearn进行引导聚合。
Sklearn通过使用BaggingClassifier实现引导程序聚合，（文档告诉我们）RandomForestClassifier是“适合基本分类器的整体元估计器……”在这些基本分类器中，让我们选择BaggingClassifier，它本身是“是一个适合多个决策树分类器的元估计器”。
有人告诉我们，引导程序聚合基本上有四种形式：装袋，粘贴，随机子空间和随机补丁。在BaggingClassifier中，我们通过操纵bootstrap_features的11个参数中的4个来激活这四种风味，分别是：bootstrap（对/错），max_features（对/错），max_samples（= 1 / <1）和BaggingClassifier（= 1 / <1）。
在sklearn中，要将RandomForestClassifier与clf = BaggingClassifier(RandomForestClassifier(parameters), parameters)一起使用，我们需要：
RandomForestClassifier证明BaggingClassifier的17个参数中，有两个与bootstrap的参数相同：max_features和bootstrap。尽管BaggingClassifier和RandomForestClassifier的{{1}}是相同的（即，有/无替换采样），但我不确定max_features。在BaggingClassifier中，max_features是“从X绘制到训练的要素数量”，在这种情况下为RandomForestClassifier。在RandomForestClassifier中，它是“寻找最佳分割时要考虑的功能数量”。
最后，这使我想到一个问题：我们如何在这两个分类器中协调这些参数，以便可以在随机森林中的每棵树中获得四种引导聚合？我不只是问这样的东西是否可以作为粘贴味：
clf=BaggingClassifier(RandomForestClassifier(bootstrap = False, max_features = 1.0),
bootstrap_features = False, bootstrap = False, max_features = 1.0, max_samples = 0.6 )我实际上是在试图真正理解当BaggingClassifier调用RandomForestClassifier并将所有这些参数都调整为不同值时发生的情况。
答案 0 :(得分：3)
“随机森林”参数和“合奏分类器”参数之间没有冲突。随机森林具有相似参数（btw，max_features两者相同，只是用不同的方式表达）的原因是因为随机森林本身是一种Ensemble算法。
因此，您在这里想要实现的是Ensemble of Ensemble分类器，其中每个分类器都有自己的参数。如果我稍微更改您的示例以使其更易于理解，我们将：
BaggingClassifier(RandomForestClassifier(n_estimators = 100, bootstrap = True, max_features = 0.5), n_estimators = 5,
bootstrap_features = False, bootstrap = False, max_features = 1.0, max_samples = 0.6 )
这是它的工作方式：
bootstrap_features = False, max_features = 1.0提供）并抽取样本的60％（max_samples = 0.6），而无需替换（bootstrap = False）max_features = 0.5）（在我们的示例中为所有特征），并进行引导抽样（替换）整体分类器通过的60％样本。基于此，它将训练决策树并使用新功能和新引导程序n_estimators = 100重复此过程 Ensemble分类器重复n_estimators = 5次。
希望这会有所帮助！
TLDR：您传递给RandomForestClassifier和EnsembleClassifier的参数可能具有相同的名称并且实际上执行相同的操作，它们在训练过程的不同阶段执行，并且如果您设置{{ 1}}，它将不会将此参数值传递给另一个参数。