opencv包含隨機森林(random forest)類，隨機森林可以通過收集很多樹的子節點對各個類別的投票，然後選擇獲得最多投票的類別作為判斷結果。通過計算「森林」的所有子節點上的值的平均值來解決回歸問題。隨機森林包含隨機選擇的一些決策樹。隨機森林建立時的基本子系統也是決策樹，在建立決策樹時會一直繼續下去直到資料純淨。
如果所有的樹都很相似，隨機森林就沒有很大的作用。為了克服這點，隨機森林通過在樹的建立過程中隨機選擇子集來使**各個樹**
（樹不同也就是能夠產生隨機的森林）不相同。
在隨機森林中，每乙個決策樹「種植」和「生長」的規則如下所示：
1.假設我們設定訓練集中的樣本個數為n，然後通過有重置的重複多次抽樣來獲得這n個樣本，這樣的抽樣結果將作為我們生成決策樹的訓練集；
2.如果有m個輸入變數，每個節點都將隨機選擇m(m3.每棵決策樹都最大可能地進行生長而不進行剪枝；
4.通過對所有的決策樹進行加總來**新的資料（在分類時採用多數投票，在回歸時採用平均）。
優點：
1.正如上文所述，隨機森林演算法能解決分類與回歸兩種型別的問題，並在這兩個方面都有相當好的估計表現；
2.隨機森林對於高維資料集的處理能力令人興奮，它可以處理成千上萬的輸入變數，並確定最重要的變數，因此被認為是乙個不錯的降維方法。此外，該模型能夠輸出變數的重要性程度，這是乙個非常便利的功能。下圖展示了隨機森林對於變數重要性程度的輸出形式：
3.在對缺失資料進行估計時，隨機森林是乙個十分有效的方法。就算存在大量的資料缺失，隨機森林也能較好地保持精確性；
4.當存在分類不平衡的情況時，隨機森林能夠提供平衡資料集誤差的有效方法；
5.模型的上述效能可以被擴充套件運用到未標記的資料集中，用於引導無監督聚類、資料透視和異常檢測；
6.隨機森林演算法中包含了對輸入資料的重複自抽樣過程，即所謂的bootstrap抽樣。這樣一來，資料集中大約三分之一將沒有用於模型的訓練而是用於測試，這樣的資料被稱為out of bag samples，通過這些樣本估計的誤差被稱為out of bag error。研究表明，這種out of bag方法的與測試集規模同訓練集一致的估計方法有著相同的精確程度，因此在隨機森林中我們無需再對測試集進行另外的設定。
缺點：
1.隨機森林在解決回歸問題時並沒有像它在分類中表現的那麼好，這是因為它並不能給出乙個連續型的輸出。當進行回歸時，隨機森林不能夠作出超越訓練集資料範圍的**，這可能導致在對某些還有特定雜訊的資料進行建模時出現過度擬合。
2.對於許多統計建模者來說，隨機森林給人的感覺像是乙個黑盒子——你幾乎無法控制模型內部的執行，只能在不同的引數和隨機種子之間進行嘗試。
opencv中首先是乙個引數結構cvrtparams，該結構繼承於決策樹：
最後的結果**會有點不同的地方，返回的不是具體的類別
機器學習 隨機森林
以下內容均為個人理解，如有錯誤，歡迎指出 如何生成隨機森林基學習器的訓練資料集 隨機 的含義 bagging整合學習的評測方法 隨機森林的引數 以下內容摘自周志華老師的 機器學習 隨機森林是bagging的乙個擴充套件變體，它在以決策樹為基學習器構建的bagging整合的基礎上，進一步在決策樹的訓練...
機器學習 隨機森林
以決策樹為基礎 隨機森林 決策樹的乙個主要缺點在於經常對訓練的資料過擬合。隨機森林是解決這個問題的一種方法。隨機森林的本質上是很多決策樹的集合，其中那個每棵樹都和其他樹略有不同。隨機森林背後砈思想史是，每棵樹的 都可能相對較好，但可能對部分書聚過擬合，如果我們構建很多樹，並且每棵樹都可以 的很好，但...
隨機森林演算法原理 機器學習演算法 隨機森林
隨機森林是一種通用的機器學習方法，能夠處理回歸和分類問題。它還負責資料降維 缺失值處理 離群值處理以及資料分析的其他步驟。它是一種整合學習方法，將一組一般的模型組合成乙個強大的模型 我們通過適用隨機的方式從資料中抽取樣本和特徵值，訓練多個不同的決策樹，形成森林。為了根據屬性對新物件進行分類，每個數都...