随机森林是一种集成学习方法，通过构建多个决策树并取多数投票或平均值来提高分类和回归的准确性。它引入了随机性以降低过拟合风险，能够处理高维数据且无需特征选择。随机森林具有训练速度快、准确率高、可并行化等优点，但也存在模型解释性差和资源消耗大的问题。在构建过程中，采用自助法采样、OOB数据评估，以及通过调整样本数量、最大深度、类别比例等参数来优化模型。
| 大纲 |
|---|
| 随机森林思想的提出 |
| 随机森林的基本概念 |
| 随机森林的结构 |
| 随机森林的优缺点 |
| 随机森林学习过程 |
1. 随机森林思想的提出
由于决策树(DT)会产生过拟合现象，导致泛化能力变弱，美国贝尔实验室大牛采用随机森林(RF)投票机制来改善决策树
2. 随机森林的基本概念
随机森林(Random Forests)：是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。（将投票次数最多的类别指定为最终的输出）
3. 随机森林的结构
1）随机森林是集成学习的一个子类。
它是基于Bagging的集成学习方法，可以用来做分类、回归等问题。
2)集成学习通过建立几个模型组合的来解决单一预测问题
随机森林的优点：
具有极高的准确率
两个随机性的引入，使得随机森林不容易过拟合
两个随机性的引入，使得随机森林有很好的抗噪声能力
能处理很高维度的数据，并且不用
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
