sklearn.ensemble.RandomForestRegressor 是 Scikit-learn 中的一个集成算法，使用多个决策树来构建回归模型，并用随机方式选择特征子集来建立这些决策树。这个函数的主要作用是通过组合多个决策树模型的预测结果来提高模型的准确度和健壮性，对于处理回归问题非常有效。
使用 RandomForestRegressor 函数需要注意以下几个参数：
- n_estimators：表示构建的决策树的个数，默认是 100，建议尽量选择较大的值。
- max_depth：表示单个决策树的最大深度，默认为 None，表示不限制深度。如果样本量比较少时建议设置为 3-5，样本量较多时可设置为 10-20。
- min_samples_split：表示分裂一个内部节点需要的最小样本数，默认为 2。如果样本量比较少时建议设置为 5，样本量较多时可设置为 100-1000。
- min_samples_leaf：表示叶子节点至少需要的样本数，默认为 1。如果数据集数量比较少可以设置为 5，否则可以使用默认值 1。
- max_features：表示寻找最佳分割时需要考虑的特征数目。默认值为”auto”，意味着特征集的大小等于原始数据集中特征数的平方根，也可以设置为整数或小数，或者 None 表示考虑所有特征。
下面给出两个 RandomForestRegressor 函数的实例：
实例 1:
假如我们要建立一个房价预测模型，以地区、房屋类型、面积、卧室数量、厕所数量、楼层数量、装修情况等八个特征为预测因素，使用随机森林模型进行预测。其中，模型的训练数据集为 train_data，训练数据的结果保存在 train_target 中，测试数据集为 test_data。
可以使用以下代码完成模型的建立和预测：
from sklearn.ensemble import RandomForestRegressor
# 构建随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, max_depth=10, min_samples_split=5, min_samples_leaf=1)
# 使用训练数据和标签训练模型
rf.fit(train_data, train_target)
# 使用测试数据进行房价预测
price = rf.predict(test_data)
实例 2:
假如我们要使用随机森林算法预测某一商品在未来一个月的销售额，需要使用过去六个月的销售额数据以及商品的一些基本信息来进行预测，如商品类型、品牌、价格等，其中，数据集已经准备好，标签为 sale_data。
可以使用以下代码完成随机森林回归模型的建立和预测：
from sklearn.ensemble import RandomForestRegressor
# 构建随机森林回归模型
rf = RandomForestRegressor(n_estimators=200, max_depth=15, min_samples_split=100, min_samples_leaf=10)
# 使用训练数据和标签训练模型
rf.fit(train_data, train_target)
# 使用测试数据集进行销售预测
sales = rf.predict(test_data)
这两个例子展示了随机森林模型在回归问题中的应用，我们需要注意模型参数的设置，以保证模型的准确度和健壮性。