如何根据回归问题的OOB分数估算OOB错误率

Question

我正在sklearn，python中使用随机森林回归软件包。我的数据集包含训练中的146个样本和测试集中的38个样本。我已经训练了模型，但是我想通过改变num_features绘制带有树数的OOB错误率。选择特定树数时OOB误差最小的曲线作为测试集的最佳模型参数。

我已将OOB错误率计算为（1-OOB分数）。但是，最佳曲线的OOB错误率从0.8降低到0.625。这意味着即使有大量树木（300），我的OOB得分也没有太大提高。我想知道我是否遵循正确的步骤来绘制OOB错误率。以及如何改善随机森林模型的性能

ensemble_clfs = [

    ("max_features=1",
        RandomForestRegressor(n_estimators=125,max_depth=5,min_samples_split=6,
                               warm_start=True,max_features=1,min_samples_leaf=3,
                               oob_score=True,random_state=42)),
    ("max_features=2",
        RandomForestRegressor(n_estimators=125,max_depth = 5,min_samples_split=8,
                               warm_start=True, max_features=2,min_samples_leaf=3,
                               oob_score=True,
                               random_state=42)),
     ("max_features=3",
        RandomForestRegressor(n_estimators=125,max_depth 
 =5,min_samples_split=8,
                               warm_start=True, max_features=3,min_samples_leaf=3,
                               oob_score=True,
                               random_state=42))
]

error_rate = OrderedDict((label, []) for label, _ in ensemble_clfs)

min_estimators = 10
max_estimators = 300

for label, clf in ensemble_clfs:
    for i in range(min_estimators, max_estimators + 1):
        clf.set_params(n_estimators=i)
        clf.fit(X, Y)

        # Record the OOB error for each `n_estimators=i` setting.
        ''''''
        oob_error = 1 - clf.oob_score_
        error_rate[label].append((i, oob_error))
        ''''''

我希望OOB错误率尽可能降低，可能会高达0.1，这表明我的验证是准确的。这样我就可以将其应用于测试集OOB error rate with number of trees