树的数量越大越好。你几乎不能用这个参数超调，但当然上限取决于你想花在 RF 上的计算时间。
好主意是先制作一个长森林，然后在 OOB 精度收敛时查看（我希望它在 MATLAB 实现中可用）。

尝试过的属性数默认是属性总数的平方根，但通常森林对这个参数的值不是很敏感——事实上它很少被优化，特别是因为 RF 的随机方面可能会引入更大的变化。

选择大量的树，比如 100 棵。根据我在 Internet 上阅读的内容，选择随机选择的特征。然而，在原始论文最接近的整数。$\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，但我对随机森林知之甚少。

树的数量越大越好：同意。

尝试属性的数量将取决于。如果您已经对信息在特征之间传播或不传播的方式有一些先验知识。如果信息由许多特征共享，则该参数的值越小，结果就会越好。另一方面，如果只有少数特征携带信息，则应使用更大的值。换句话说，有很多相关变量：较小的值更好，有很多不相关的变量：更大的值更好。