随机森林模型显然不如决策树模型。
我们尝试了很多种不同的模型，原因是在这个阶段我们需要尝试不同模型，选出其中有潜力的模型，千万不要花太多时间去调整每个模型的超参数，确定要使用的模型才是这个阶段最关键的！
至于模型的过拟合问题或者其他什么问题，我们等确定模型后再调试即可。
每个模型都应该妥善的保存，这里介绍一个python中的pickel模块或者sklearn.externals的joblib模块:
七、微调模型
假设，你现在已经确定了好几个有潜力的模型，那么这时候需要微调它们了。
微调的一个方法是对模型的超参数进行调整，这个过程很耗时，你需要科学的工具帮助你。使用sklearn中的GridSearchCV来帮助你。
这里面param_grid首先评估第一个dict中的n_estimator和max_features的所有可能的组合(3*4=12)，然后尝试第二个dict中的参数组合(2*3=6)。最后需要尝试6+12=18种组合，并对每个模型进行5次训练。当运行完毕后，可获得最佳参数组合：
同时，我可以得到最好的估算器:
评估分数也可以得出:
对了，有些数据准备也可以当作超参数来处理，比如之前的自定义转换器中是否添加“add_bedrooms_per_room”。
当然若超参数数量非常大，一般选择RandomizedSearchCV，这个函数会在每次迭代中为每个超参数随机选择一个值，对一定数量的迭代进行评估，这里不详细介绍了，具体请Google。
检查最佳模型，我们还可以得出每个属性的相对重要程度:
说明一下最下面那个array[]是之前的ocean_proximity属性。
好了，我们微调过后，通过测试集评估系统吧。
这个结果比之前就好多了！
八、展示解决方案
这里可以通过制作PPT等方式，强调系统学习到了什么、什么属性是有用的、算法基于了什么假设、系统目前存在的限制有什么，用清晰可视化的方式呈现！
九、启动、监控和维护系统
这里就是即将让项目进入实战的环节，这时候应该为生产环境做准备，特别是将生产数据接入系统，当然为了防止出错，我们必须要进行代码测试！
监控代码也要编写，这是为了定期检查系统的实时性能，在性能下降后触发警报！
任何模型几乎都经不起时间的演化，随着时间的演化，适合现阶段的参数可能不是该模型存在的参数，模型会渐渐“腐化”,所以我们应该定期使用新的数据训练模型，让模型保持年轻。同时做好模型备份，防止最新迭代的模型出现错误好马上回滚。
还要注意的是，模型的预测结果需要专家进行分析，确保环节安全。
最后要注意的是要监控输入系统的数据的质量，及时查找出质量较差的数据，防止污染系统。