随机森林（可用于分类和回归）

 

随机森林主要应用于回归和分类。

随机森林在运算量没有显著提高的前提下提高了预测精度。

 

1、简介

随机森林由多棵决策树构成，且森林中的每一棵决策树之间没有关联，模型的最终输出由森林中的每一棵决策树共同决定。

处理分类问题时，对于测试样本，森林中每棵决策树会给出最终类别，最后综合考虑森林内每一棵决策树的输出类别，以

投票方式来决定测试样本的类别；处理回归问题时，则以每棵决策树输出的均值为最终结果。

 

2、随机森林的随机性

体现在两个方面：

Ⅰ：样本的随机性，从训练集中随机抽取一定数量的样本，作为每颗决策树的根节点样本；

Ⅱ：属性的随机性，在建立每颗决策树时，随机抽取一定数量的候选属性，从中选择最合适的属性作为分裂节点。

 

3、随机森林算法框架

 

 具体步骤：

（1）从训练集中随机抽取一定数量的样本，作为每棵树的根节点样本；

（2）在建立决策树时，随机抽取一定数量的候选属性，从中选择最合适属性作为分裂节点；（决策树构造见《》）

（3）建立好随机森林以后，对于测试样本，进入每一颗决策树进行类型输出或回归输出；若是分类问题，以投票的方式输出最终类别，若是回归问题，

　　  每一颗决策树输出的均值作为最终结果。

 

在建立每一棵决策树的过程中，有两点需要注意：采样与完全分裂

首先是两个随机采样的过程，随机森林对输入的数据要进行行、列的采样。对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。

假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现过拟合over-fitting。

然后进行列采样，从M个feature中，选择m个(m << M)。之后就是对采样之后的数据使用完全分裂的方式建立出决策树，这样决策树的某一个叶子节点要么是无

法继续分裂的，要么里面的所有样本的都是指向的同一个分类。

一般很多的决策树算法都一个重要的步骤 – 剪枝，但是这里不这样干，由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。

每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个feature中选择m让每一棵决策树进行学习），这样在随机森林中就有了很多个精通不同领域的专家，

对一个新的问题（新的输入数据），可以用不同的角度去看待它，最终由各个专家，投票得到结果。

 

4、可优化的参数

决策树算法中可优化的参数有：最小叶节点样本数、剪枝方式等。

随机森林中可优化的参数有：森林中决策树的棵数。