随机森林的通俗理解随机森林的通俗理解是随机森林分为“随机”和“森林”。什么是随机森林？随机森林是一种集成的学习方法，是一种基于决策树的算法，随机森林算法的优缺点1，随机森林是一种以随机方式建立的分类器，包含多个决策树，RandomForest随机森林算法随机性是随机森林的核心。通过随机选择样本和特征，降低了决策树之间的相关性。
随机森林是一个由决策树组成的集成算法。随机森林属于综合学习中的装袋。一个森林是随机建立的，森林里有很多决策树。随机森林中的每个决策树之间没有相关性。得到森林后，当一个新的输入样本进入时，让森林中的每个决策树做出判断，看样本应该属于哪个类别(针对分类算法)，然后看哪个类别被选中的最多，再预测样本是哪个类别。
RF中存在特征的子采样，增强了模型的随机性。这虽然增加了偏差，但也因为整合效应而减少了方差，所以通常会得到整体更好的模型。除了普通版本的随机森林，我们还可以利用极端随机树来构造极端随机森林。极端随机树和普通随机森林的随机树的区别在于，前者在划分属性时并不选取最优属性，而是随机选取(sklearn中的实现方法是，
参考学习资料:新手群体不熟悉统计原理的时候，听到一个术语随机森林。这是什么鬼东西？这个森林里有什么，随机出现什么？这东西是做什么的？我什么都不懂，只能学习。根据搜索结果，我终于知道这个统计方法是怎么回事了。果然是森林，是由很多树组成的。有哪些种类的树？决策树很神奇。这棵树有决策能力，可以预测森林的走向。那么如何实现呢？决策树是怎么从一堆数据中产生的？很明显一堆数据已经通过某种算法以决策树的形式展现出来，然后很多树对这些数据进行了深度分析，然后根据现有的堆就可以形成一个随机的森林。
随机性是随机森林中的核心。通过随机选择样本和特征，降低了决策树之间的相关性。随机森林中的随机性主要有两层含义，一是在原始训练数据中随机选取相同数量的数据作为训练样本，二是在构建决策树时随机选取一些特征来构建决策树。这两种随机性使得决策树之间的相关性变小，进一步提高了模型的准确性。随机森林不使用决策树的剪枝，那么如何控制模型的过拟合？
随机森林也可以处理缺失值。假设训练集中有n个样本，每个样本有d个特征，需要用t棵树训练一个随机森林。具体算法流程如下:1 .对于t决策树，分别重复以下操作:a .使用Bootstrap采样从训练集D中获得大小为n的训练集D；b、从d个特征中随机选取m(m2)，如果是回归问题，最终输出是每棵树输出的平均值；3，如果是分类问题，根据投票原则，确定最终类别。
Random Forest是一种集成的学习方法，是一种基于决策树构造的算法。它通过随机选择特征子集和样本子集构建多个决策树，使用投票或平均的方法进行预测。随机森林具有以下特点:具有较高的准确性和鲁棒性，可以处理大量的特征和样本，对缺失值和噪声有一定的容忍度，可以估计特征的重要性。
Bagging是bootstrapaggregating。其思路是从整体样本中随机抽取一部分样本进行训练，通过多次这样的结果，投票得出平均值作为结果输出，大大避免了不良样本数据，提高了准确率。因为有些是坏样本，相当于噪声，学习噪声后模型的准确率不会很高。Bagging减少了方差，所以它使用强学习者。
重复以上操作，提高模型的平均输出。RandomForest是基于树模型的Bagging的优化版本，一棵树的生成肯定不如多棵树，所以有随机森林来解决决策树泛化能力弱的问题。三个臭皮匠顶个诸葛亮。但是同一批数据用同一算法只能产生一棵树。Bagging策略可以帮助我们产生不同的数据集。
阅读路线:最近有同学问有没有数据挖掘的案例可以练习，主要是通过案例了解算法是怎么用的。我们以港股创新的金融项目为例做一个预测。先说什么是创新。打新就是用资金参与新股申购。如果你中了彩票，你将购买即将上市的股票。这种分析的目的是深入挖掘新数据，找到最优算法，挖掘出影响创新的关键因素，找到可能破发的新股。
创新的本质是把股票上市后卖出，赚取差价。一般购买第一天就会卖出去。当然，首日上涨的股票会有涨有跌。为了降低风险，我们会根据历史数据进行预判。这里，10%以下的涨幅记为0，10%以上的涨幅记为1。显然，这也是一个二元分类的预测问题。对于这个项目，最终的评价标准是准确率达到百分之九十七的时候召回率最大化。这里要求的是尽可能提高召回率。
随机森林通俗的理解就是随机森林分为“随机”和“森林”。后面再说“随机”的含义。先说“森林”。森林由许多树组成，因此随机森林的结果取决于多个决策树的结果。这是一种综合学习的思想。森林里出现了一种新的动物，森林召开森林大会，判断这是什么动物。每棵树都要发表意见，得票最多的结果就是最终结果。随机森林是现在流行的算法。
1。随机森林是一种以随机方式建立的分类器，包含多个决策树。其输出的类别由每棵树输出的类别的模式决定。2.随机性主要体现在两个方面:(1)在训练每棵树时，从所有训练样本(即bootstrap抽样)中选择一个与N大小相同的数据集进行训练；(2)在每个节点，随机选择所有特征的子集，计算最佳分割方法。
Random forest是一个EnsembleLearning算法，属于Bagging类型。通过组合多个弱分类器，对最终结果进行投票或平均，使得整个模型的结果具有较高的准确性和泛化性能。能取得好的效果，主要是随机性和“森林”，一个是反拟合，一个是更准确。Bagging是一种通过放回采样从原始数据集中重新选择k个新数据集来训练分类器的集成技术。
这种算法可以有效地减少偏差和方差。【自助法】它通过bootstrap重采样技术从训练集中收集固定数量的样本，但在每个样本被收集后，又把样本放回去，也就是说，之前采集的样本，放回去之后可能还会继续采集。[OOB]在每一轮装袋随机抽样中，约有36.5%的训练集中的数据没有在抽样集中收集到。