随机森林的随机性体现和优缺点

1.随机性主要体现在两个方面：

• 训练每棵树时，从全部训练样本（样本数为N）中选取一个可能有重复的大小同样为N的数据集进行训练（即bootstrap取样）
• 在每个节点，随机选取所有特征的一个子集，用来计算最佳分割方式。

2.优点

• 在当前的很多数据集上，相对其他算法有着很大的优势，表现良好

• 它能够处理很高维度（feature很多）的数据，并且不用做特征选择

    PS：特征子集是随机选择的
  

• 在训练完后，它能够给出哪些feature比较重要

• 在创建随机森林的时候，对generlization error使用的是无偏估计，模型泛化能力强

• 训练速度快，容易做成并行化方法

   PS：训练时树与树之间是相互独立的
  

• 在训练过程中，能够检测到feature间的互相影响

• 实现比较简单

• 对于不平衡的数据集来说，它可以平衡误差。

• 如果有很大一部分的特征遗失，仍可以维持准确度。

3.缺点：

• 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟

• 对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。