集成算法：随机森林

  在集成算法这一章中，我们大概的阐述了一下常用的两种集成算法，这里我们就具体研究一下 $bagging$ 算法中最常用的模型：随机森林。
  由前面我们了解：$bagging$ + 决策树 = 随机森林，所以在学习随机森林之前，我们必须了解决策树相关的知识，这些我在ID3，C4.5，CART中已经比较详细的讲过一遍，这里就不在赘述了，有不懂的童鞋可以去前面看看。

  
算法思想

  随机森林是集成学习的一个子类，它依靠于决策树的投票选择来决定最后的分类结果，通俗的讲，随机森林就是用随机的方式建立一个森林，森林由许多决策树组成，而且每一棵决策树相互之间是没有关联的。得到森林后，当有一个新的样本进入森林后，就让森林中的每一个决策树分别进行判断，看看这个样本属于哪一个类，最终哪一个类最多，就预测这个样本属于哪一个类。
  
算法流程

  1. 从样本集中有放回的随机选取n个样本
  2. 如果每个样本的特征维度为 $m$，指定一个常数 $n<<$