随机森林分类器的最佳参数应该是什么？

目前，我在MATLAB上使用RF工具箱进行二进制分类

数据集：50000个样本和250多个功能

那么，要分裂成几棵树并在每个分割处随机选择的特征数是多少？其他参数会极大地影响结果吗？

选择大量的树木，比如说100棵。从我在互联网上阅读的内容中，选择随机选择的功能。但是，在原始论文中，Breiman使用了最接近的整数来记录$\sqrt{250}$。$\frac{\log{M}}{\log{2}}$

我会说交叉验证通常是找到最佳参数的关键，但是我对随机森林并不了解。

树的数量越大越好。您几乎无法使用此参数来超调，但是上限当然取决于您要花费在RF上的计算时间。
好的主意是先做一个长森林，然后再看（我希望它可以在MATLAB实现中使用）OOB精度收敛时。

尝试属性的数量默认为属性总数的平方根，但是通常林对此参数的值并不十分敏感-实际上很少对其进行优化，尤其是因为RF的随机方面可能会引入较大的变化。

树木数目越大越好：同意。

尝试属性的数量将取决于。如果您已经对功能之间的信息传播方式有所了解，那么您是否已具备先验知识。如果信息由许多功能共享，则该参数的值越小，效果越好。另一方面，如果只有少数功能承载信息，则应使用较大的值。换句话说，具有许多相关变量：较小的值更好，而具有许多不相关的变量：较大的值更好。