我对编程还很陌生，这个问题可能很容易解决，但是我已经坚持了一段时间，我认为我的方法显然是错误的。如标题所示，我一直在尝试对RandomForest预测进行网格搜索，以找到适用于我的模型的最佳参数，然后查看具有最佳参数的模型的最重要特征。我使用过的软件包：
import nltk
from nltk.corpus import stopwords
import pandas as pd
import string
import re
import pickle
import os
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import KFold, cross_val_score
from sklearn.metrics import precision_recall_fscore_support as score
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
经过一些数据清理和预处理之后，我进行了这样的网格搜索，其中x_features是具有我数据的tfidfvectorized功能的DataFrame：
param = {'n_estimators':[10, 50, 150], 'max_depth':[10, 30, 50, None], 'min_impurity_decrease':[0, 0.01, 0.05, 0.1], 'class_weight':["balanced", None]}
gs = GridSearchCV(rf, param, cv=5, n_jobs=-1)
gs_fit = gs.fit(x_features, mydata['label'])
optimal_param = pd.DataFrame(gs_fit.cv_results_).sort_values('mean_test_score', ascending = False)[0:5]
optimal_param1 = gs_fit.best_params_
[我的想法是，也许我可以使自己容易一些，然后将optimum_param1复制到我的RandomForestClassifier（）中，然后像这样或多或少地将其适合我的训练数据：
rf = RandomForestClassifier(optimal_param2)
rf_model= rf.fit(x_train, y_train)
但是optimum_param2是字典。因此，我认为将其转换为字符串并消除过多的符号（sub：for =，delete {，delete}）将使其工作。这显然失败了，因为n_estimators，max_depth等的数字仍然是字符串，并且它应该是整数。我最终想要实现的是或多或少像这样获得最重要功能的输出：
top25_features = sorted(zip(rf_model.feature_importances_, x_train.columns),reverse=True)[0:25]
我意识到gs已经是一个完整的RF模型，但是它没有我想要的属性feature_importances_。对于如何使它起作用的任何想法，我将非常感谢。
一旦您运行了gs_fit=gs.fit(X,y)，您便拥有了所需的一切，并且不需要进行任何重新培训。
首先，您可以通过执行以下操作来访问最佳模型：
best_estimator = gs_fit.best_estimator_
这将返回产生最佳结果的随机森林。然后，您可以通过执行
来访问该模型的功能重要性best_features = best_estimator.feature_importances_
显然，您可以将它们链接起来并直接执行：
best_features = gs_fit.best_estimator_.feature_importances_