随机森林简单回归预测

随机森林（RandomForest）简单回归预测

随机森林是bagging方法的一种具体实现。它会训练多棵决策树，然后将这些结果融合在一起就是最终的结果。随机森林可以用于分裂，也可以用于回归。主要在于决策树类型的选取，根据具体的任务选择具体类别的决策树。

对于分类问题，一个测试样本会送到每一颗决策树中进行预测，然后投票，得票最多的类为最终的分类结果；

对于回归问题，随机森林的预测结果是所有决策树输出的均值。

本文介绍利用随机森林进行时间序列的简单回归预测，满足大部分科研需求。

介绍

随机森林的优点：

在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合，但是对于小数据集还是有可能过拟合，所以还是要注意；

两个随机性的引入，使得随机森林具有很好的抗噪能力；

它能够处理很高维的数据，并且不用做特征选择，对数据集的适应能力强。既能处理离散性数据，也能处理连续型数据，数据集无需规范化；

在创建随机森林的时候，对generalization error使用的是无偏估计；

训练速度快，可以得到变量重要性排序；

在训练过程中，能够检测到feature间的互影响；

容易做成并行化方法；

实现比较简单

随机森林的缺点：

对