探索随机森林的超参数
了解可用的超参数以及不同超参数的影响，是每位数据科学家的核心技能。随着模型越来越复杂，可设置的选项很多，但只有一部分会对您的模型产生显著影响。
现在，您将评估一个已有的随机森林模型（它在超参数上有一些不佳的选择！），然后为一个新的随机森林模型做出更合理的选择，并评估其性能。
您将可以使用：
X_train、X_test、y_train、y_testDataFrame- 已经训练好的随机森林估计器
rf_clf_old - 该已有随机森林在测试集上的预测
rf_old_predictions
本练习是课程的一部分
Python 中的超参数调优
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Print out the old estimator, notice which hyperparameter is badly set
print(____)
# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
confusion_matrix(____, ____),
accuracy_score(____, ____)))