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据集，并能够识别最重要的变量，当作一种降维方法
• 有效估计丢失值，保持较高准确性
• 处理不平衡类数据集上的平衡问题
• 袋外误差估计可以去除备用测试集

随机森林输入替换后数据样本称为自助抽样。其中三分之一的数据不用于训练但是可用来预测，被称为袋外样本。在这些袋外样本上估计的误差成为袋外误差。

缺点:

• 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟合。
• 对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的

随机森林优缺点参考：