实操指南：使用Python的sklearn.ensemble BaggingRegressor - 参数详解与示例

适合数据集随机子集的基本估计器。如果无，则基本估计量是 DecisionTreeRegressor 。

集成中基本估计器的数量。

从 X 中抽取以训练每个基本估计器的样本数(默认情况下有替换，有关更多详细信息，请参阅bootstrap)。

• 如果 int 则绘制 max_samples 样本。
• 如果浮点数，则绘制 max_samples * X.shape[0] 样本。

从 X 中提取以训练每个基本估计器的特征数量(默认情况下不替换，有关更多详细信息，请参阅bootstrap_features)。

• 如果int 则绘制max_features 特征。
• 如果浮点数，则绘制max_features * X.shape[1] 特征。

是否有放回抽取样本。如果为 False，则执行无放回抽样。

是否使用替换绘制特征。

是否使用out-of-bag 个样本来估计泛化误差。仅当 bootstrap=True 时可用。

当设置为 True 时，重用上一次调用的解决方案来拟合并将更多的估计器添加到集成中，否则，只需拟合一个全新的集成。请参阅词汇表。

fit 和 predict 并行运行的作业数。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

控制原始数据集的随机重采样(样本和特征)。如果基本估计器接受random_state 属性，则会为集成中的每个实例生成不同的种子。传递 int 以获得跨多个函数调用的可重现输出。请参阅词汇表。

控制拟合和预测时的详细程度。