確保了解決策樹，決策樹
子樹：從原資料集中有放回的選擇相同數量（和原資料集數量相同）樣本，並選擇部分屬性，以選擇的樣本和屬性進行cart決策樹構建隨機森林就是並行的構建t個子樹的過程。
構建完畢後，對於乙個**數，使用構建好的t個子樹進行**，取最多的**結果作為隨機森林的**結果。
完畢，以上就是隨機森林的梗概。
這裡對幾個問題進行闡述：
bagging（一般譯為裝袋）又稱自助聚集（boot strap aggregating），是一種從樣本集有放回的抽樣技術，目的是獲得n個不同的訓練集。使用這些訓練集訓練出的分類器之間具有一定的差異，然後在通過服從多數原則來對資料進行**，可以達到準確率高於任何乙個單個分類器的效果。
通過乙個例子來說明bagging的作用：
即主旨即在於單分類器的好而不同，好是指正確率應高於50%，不同是指每個分類器針對不同的樣本子類。
隨機森林即是bagging的絕佳應用，通過有放回的抽樣和屬性集的選擇來達到每個分類器的不同。
關於bagging降低方法：為什麼說bagging是減少variance，而boosting是減少bias?
機器學習 隨機森林
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...
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...