机器学习理论之随机森林

一、随机森林的理解

• 随机森林：分类器使用决策树，然后再使用集成学习中bagging算法，将弱分类器组合成强分类器。
  
• bagging算法：

  Bagging即套袋法，其算法过程如下：

  A）从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）

  B）每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）

  C）对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

  
  

二、随机森林的优缺点

• 优点：
  它对于多维特征的数据集分类有很高的效率，还可以做特征重要性的选择。运行效率和准确率较高，实现起来也比较简单。
• 缺点：
  数据噪音比较大的情况下会过拟合，过拟合的缺点对于随机森林来说还是较为致命的。

三、参考

https://blog.csdn.net/mao_xiao_feng/article/details/52728164

https://blog.csdn.net/qq547276542/article/details/78304454