随机森林算法原理_机器学习算法——随机森林

随机森林简介

随机森林是一种通用的机器学习方法，能够处理回归和分类问题。它还负责数据降维、缺失值处理、离群值处理以及数据分析的其他步骤。它是一种集成学习方法，将一组一般的模型组合成一个强大的模型

工作原理

我们通过适用随机的方式从数据中抽取样本和特征值，训练多个不同的决策树，形成森林。为了根据属性对新对象进行分类，每个数都给出自己的分类意见，称为“投票”。在分类问题下，森林选择票数最多的分类；在回归问题下则适用平均值的方法。

随机森林是基于Bagging方法的集成模型，Bagging的示例如下：

若每个分类模型都是决策树，那就构成了随机森林。Bagging方法通过抽样的方式获得多份不同的训练样本，在不同的训练杨版本上训练决策树，从而降低了决策树之间的相关性。同时还通过特征的随机选取，特征阈值的随机选取两种方式产生随机性，进一步降低决策树之间的相关性。

随机森林优缺点

优点：

• 能够处理更高维度的大数