创建包含函数名称和参数的列表，以使用 rxEnsemble 训练 FastForest 模型。
用法
fastForest(numTrees = 100, numLeaves = 20, minSplit = 10,
exampleFraction = 0.7, featureFraction = 0.7, splitFraction = 0.7,
numBins = 255, firstUsePenalty = 0, gainConfLevel = 0,
trainThreads = 8, randomSeed = NULL, ...)
论据
numTrees
指定要在合奏中创建的决策树总数。 通过创建更多决策树，你可能会获得更好的覆盖范围，但训练时间会增加。 默认值为 100。
numLeaves
可在任何树中创建的最大叶数（终端节点）。 较高的值可能会增加树的大小并得到更好的精度，但风险过度拟合，并且需要更长的训练时间。 默认值为 20。
minSplit
形成叶所需的最小训练实例数。 也就是说，回归树叶中允许的最小文档数（从子采样的数据中获取）。 “拆分”表示树（节点）的每个级别中的特征是随机划分的。 默认值为 10。
exampleFraction
要用于每个树的随机选择实例的分数。 默认值为 0.7。
featureFraction
要用于每个树的随机选择特征的分数。 默认值为 0.7。
splitFraction
要在每个拆分上使用的随机选择特征的分数。 默认值为 0.7。
numBins
每个功能的最大非重复值（bins）数。 默认值为 255。
firstUsePenalty
特征首先使用惩罚系数。 默认值为 0。
gainConfLevel
树拟合增益置信度要求（应位于 [0,1） 范围内）。 默认值为 0。
trainThreads
训练中使用的线程数。 如果 NULL 已指定，则内部确定要使用的线程数。 默认值是 NULL。
randomSeed
指定随机种子。 默认值是 NULL。
...
其他参数。