节点中执行拆分的最小样本数 在多粒度扫描随机森林训练期间。 如果int number_of_samples = int。 如果float，min_samples表示要考虑的初始n_samples的分数。

　　min_samples_cascade：float或int（default = 0.1）

　　节点中执行拆分的最小样本数 在级联随机森林训练期间。 如果int number_of_samples = int。 如果float，min_samples表示要考虑的初始n_samples的分数。

　　cascade_layer：int（default = np.inf）

　　允许的最大级联级数。 有用的限制级联的结构。

　　tolerance：float（default= 0.0）

　　联生长的精度差,整个级联的性能将在验证集上进行估计， 如果没有显着的性能增益，训练过程将终止

　　n_jobs：int（default = 1）

　　任意随机森林适合并预测的并行运行的工作数量。 如果为-1，则将作业数设置为核心数。

　　#shape_1X样本维度，window为多粒度扫描（Multi-Grained Scanning）算法中滑动窗口大小，

　　#用于扫描原始数据，tolerance为级联生长的精度差,整个级联的性能将在验证集上进行估计，

　　#如果没有显着的性能增益，训练过程将终止#gcf = gcForest(shape_1X=4, window=2, tolerance=0.0)

　　#gcf = gcForest(shape_1X=[13,13], window=2, tolerance=0.0)

　　gcf = gcForest(shape_1X= 13, n_mgsRFtree= 100, window= 6, stride= 2, cascade_test_size= 0.2, n_cascadeRF= 4, n_cascadeRFtree= 101, cascade_layer=np.inf, min_samples_mgs= 0.1, min_samples_cascade= 0.1, tolerance= 0.0, n_jobs= 1)gcf.fit(X_tr, y_tr)

　　Slicing Sequence...Training MGS Random Forests...Adding/Training Layer, n_layer=1Layer validation accuracy = 0.5577889447236181Adding/Training Layer, n_layer=2Layer validation accuracy = 0.521608040201005#shape_1X样本维度，window为多粒度扫描（Multi-Grained Scanning）算法中滑动窗口大小，

　　#用于扫描原始数据，tolerance为级联生长的精度差,整个级联的性能将在验证集上进行估计，

　　#如果没有显着的性能增益，训练过程将终止#gcf = gcForest(shape_1X=4, window=2, tolerance=0.0)

　　#gcf = gcForest(shape_1X=[13,13], window=2, tolerance=0.0)

　　gcf = gcForest(shape_1X=[ 1, 13], window=[ 1, 6],)gcf.fit(X_tr, y_tr) Slicing Sequence...Training MGS Random Forests...Slicing Sequence...Training MGS Random Forests...Adding/Training Layer, n_layer=1Layer validation accuracy = 0.5964125560538116Adding/Training Layer, n_layer=2Layer validation accuracy = 0.5695067264573991

　　参数改为shape_1X=[1,13], window=[1,6]后训练集达到0.59，不理想，这里只是抛砖引玉，调参需要大神指导。

　　Now checking the prediction for the test set:

　　现在看看测试集的预测值：

　　pred_X = gcf.predict(X_te)print(len(pred_X))print(len(y_te))print(pred_X)

　　Slicing Sequence...Slicing Sequence...549549[1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 1 0 1 0 1 0 1 0 0 0 0 0 0 1 1 1 0 0 1 0等

　　#最近预测

　　fori inrange( 1,len(pred_X)): print(y_te[-i],pred_X[-i],-i)