RF随机森林

一.算法介绍

随机森林是一种比较新的机器学习模型。他实际上是将决策树组合成随机森林，即在特征(列)和数据(行)的使用上进行随机化，生成很多决策树，再汇总成分类树的结果。
它具有很多优点：
1.由于随机性的引入，使得随机森林具有很好的抗噪声能力
2.能够处理高维度数据，不用做特征选择
3.训练速度快，比较容易实现并行计算
4.训练结束后，能够度量那些特征比较重要

二.算法实现

具体实现过程如下：
(1)有N个样本，有放回地随机选择N个样本（即每次随机选取一个），用选择好的N个样本来训练一个决策树。
(2)假设样本有M个特征，在决策树节点需要分类时，从M个特征中随机选取m个特征（满足条件$m\lt\lt M$）然后按照某种策略（信息增益）来选择当前节点的特征
(3)在决策树形成过程中，按照(2)来进行分类，直到分裂结束
(4)按照(1)-(3)构建大量决策树，形成RF
(5)用随机森林分类器对新的数据进行判别和分类，分类结果按树的投票多少来决定。

三.参数选择

随机森林有两个重要参数：一是树节点预选变量个数（m）,二是随机森林中树的个数(k)
一般建议k取很大，m的大小为M的均方根

四.算法不足

1.在噪声较大的分类或回归上会出现过拟合现象
2.对于不同级别属性的数据，级别划分较多的属性会对RF随机森林有影响，使得结果的可信度不高