如何理解随机森林RF
1、RF
1.1 原理
提到随机森林，就不得不提Bagging，Bagging可以简单的理解为：
放回抽样，
多数表决（分类）或简单平均（回归）,
基学习器之间属于并列生成，不存在强依赖关系。
引入了随机特征选择：
1、随机选择样本（放回抽样）；
随机选择特征是指在树的构建中，会从样本集的特征集合中随机选择部分特征，然后再从这个子集中选择最优的属 性用于划分
2、随机选择特征；
3、构建决策树；
4、随机森林投票（平均）。
RF通常对分类问题使用简单投票法，回归任务使用简单平均法。
1.2 优缺点
随机森林的优点较多，简单总结：
1、在数据集上表现良好，相对于其他算法有较大的优势（训练速度、预测准确度）；
2、能够处理很高维的数据，并且不用特征选择，而且在训练完后，给出特征的重要性；
3、容易做成并行化方法。
RF的缺点：在噪声较大的分类或者回归问题上回过拟合。
参考：
https://blog.csdn.net/qq_28031525/article/details/70207918
来源：CSDN
作者：御剑归一
链接：https://blog.csdn.net/wj1298250240/article/details/103793003