随机森林回归低分

Question

我正在尝试使用随机森林回归来预测汽车的价格。我从cars.com获得数据，清理了数据，保留了一些特征（年份，里程，外观颜色等），而分类特征似乎不适用于该算法，因此我为分类特征设置了虚拟变量（因为仅数字特征）与发束一起使用？？），我的分数很低。

最终数据如下：

Year    Model   Price   Mileage Engine  CityFuelEconomy HighwayFuelEconomy  ExteriorColor
2013     2      6900    37100    3.0          20                30               1

默认情况下，我执行随机林，并且通过GridSearch进行参数调整，两个结果都不理想。

#by default
In:   from sklearn.metrics import explained_variance_score
      explained_variance_score(train_y, model.predict(train_x))
Out:  0.5569482176630063

In:   model.score(test_x, test_y)
Out:  0.5299303064708601

Train MAE: 993.199536787152
Test MAE: 1094.8346295258416

#GridSearch
Best Score is: 0.5305298726822617
Best Parameters are: {'criterion': 'mse', 'max_depth': 15, 'max_features': 3,
                        'min_samples_leaf': 3, 'min_samples_split': 7, 'n_estimators': 500}

forest.score(X_val, y_val)
Score: 0.56

我是机器学习的新手，我不知道哪种算法更适合哪种数据集，有人可以帮助我改善这种情况或可能发生的情况的原因吗？谢谢！