RF和SVM的特点

支持向量机（SVM）已经介绍了，讲讲随机森林（random forest，RF）。

想要了解随机森林，首先要知道决策树，即森林由一棵棵树组成。

决策树

决策树是一种有监督的机器学习算法，该方法可以用于解决分类和回归问题。

决策树可以简单地理解为达到某一特定结果的一系列决策。思考逻辑上，就像一连串的if-else，如果满足xx特征，则归为xx类别，否则则归为yy类别。（可以参考周志华老师《机器学习》里挑西瓜的案例）

这其中的关键，就是如何选取特征。一棵树能选取的特征往往有限，限制了模型的性能。因此就有了随机森林。

随机森林

随机森林是基于决策树的机器学习算法，该算法利用了多棵决策树的力量来进行决策。

为什么要称其为“随机森林”呢？这是因为它是随机创造的决策树组成的森林。决策树中的每一个节点是特征的一个随机子集，用于计算输出。随机森林将单个决策树的输出整合起来生成最后的输出结果。

简单来说：“随机森林算法用多棵（随机生成的）决策树来生成最后的输出结果。”

对于一个测试数据，将它投入到随机森林中的不同决策树中，会得到不同的测试结果。若问题是一个分类问题，则可以通过求众数来得出测试数据的类别；若问题是一个回归问题，则可以通过求平均值得出测试数据的值。该过程即为经典的bagging思想。

那么RF和SVM的特点就可以归纳为

SVM

1.解决小样本下机器学习问题（不像深度学习一样，依赖海量数据）

2.可以解决高维问题，即大型特征空间（借助核函数）；但当样本很多时，效率并不是很高

3.SVM的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数

4.无需依赖整个数据，无局部极小值问题；但SVM算法对大规模训练样本难以实施

5.能够处理非线性特征的相互作用，对于核函数的高维映射可解释性不强，尤其是径向基函数RF

1.简单，容易实现，计算开销小，并且它在很多现实任务中展现出来了强大的性能

2.它能够处理很高维度（特征很多）的数据，并且不用做特征选择（可以随机选择各种特征）

4.训练速度快，容易做成并行化方法

\5. 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

6.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。

RF示例代码：

from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import numpy as np

X, y = make_blobs(n_samples=300, centers=4, random_state=0, cluster_std=1.0)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='rainbow')
plt.show()