隨機森林是一種整合學習的方法，它的最終結果取決於多課決策樹的投票結果。
對於分類問題，直觀來講就是對乙個資料集合構造很多棵決策樹，然後對於新樣本每一棵決策樹都會輸出乙個結果，最後選擇多棵決策樹中輸出類別最多的結果作為最終的輸出結果。這也就是隨機森林中森林的含義。
這也是隨機森林最重要的一點，隨機森林的隨機主要體現在兩方面：
python的sklearn庫中自帶有隨機森林的函式，可通過from sklearn.ensemble import randomforestclassifier載入
1.隨機森林框架引數
n_estimators：對原始資料集進行有放回抽樣生成的子資料集個數，即決策樹的個數。若n_estimators太小容易欠擬合，太大不能顯著的提公升模型，所以n_estimators選擇適中的數值，版本0.20的預設值是10，版本0.22的預設值是100 。
bootstrp：是否對樣本集進行有放回抽樣來構建樹，true表示是，預設值true
oob_score：是否採用袋外樣本來評估模型的好壞，true代表是，預設值false
rf框架的引數很少，框架引數擇優一般是調節n_estimators值，即決策樹個數。
2.隨機森林中決策樹引數含義
max_features：構建決策樹最優模型時考慮的最大特徵數。預設是auto，則max_features = sqrt（n_features）；
若為log2，則max_features = log2（n_features）；
若為sqrt，則max_features = sqrt（n_features）與auto一樣；
若為int型別的n，則max_features = n；
若為float型別的n，則max_features =int（n * n_features）
若為none，則max_features =n_features。
max_depth：決策樹最大深度。若等於none，表示決策樹在構建最優模型的時候不會限制子樹的深度。如果模型樣本量多，特徵也多的情況下，推薦限制最大深度；若樣本量少或者特徵少，則不限制最大深度。
min_samples_leaf：葉子節點含有的最少樣本。如果是int，則將min_samples_leaf作為最小值。如果是float，則min_samples_leaf為百分比，min_samples_leaf * n_samples是最小值。
min_samples_split：節點可分的最小樣本數，預設值是2。整數型和浮點型的含義與min_samples_leaf類似。
max_leaf_nodes：最大葉子節點數。int設定節點數，none表示對葉子節點數沒有限制。
min_impurity_decrease：float型別，節點劃分的最小不純度。假設不純度用資訊增益表示，若某節點劃分時的資訊增益大於等於min_impurity_decrease，那麼該節點還可以再劃分；反之，則不能劃分。
criterion：表示節點的劃分標準。不純度標準參考gini指數，資訊增益標準參考entrop熵。
min_samples_leaf：葉子節點最小的樣本權重和。葉子節點如果小於這個值，則會和兄弟節點一起被剪枝，只保留該葉子節點的父節點。預設是0，則不考慮樣本權重問題。一般來說，如果有較多樣本的缺失值或偏差很大，則嘗試設定該引數值。
參見利用sklearn實現dataframe資料的分類回歸**，以及對**結果進行評價。
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...
應用機器學習（七） 隨機森林
隨機森林 random forest 是一種用於分類 回歸等任務的整合學習方法。對於分類任務，它在訓練時構建多棵決策樹，輸出這些樹的分類結果的眾數 mode 即，將大多數樹的分類結果作為最終的結果。這樣，隨機森林修正了單棵決策樹過度擬合訓練集的傾向。對於詳細的決策樹學習理論，請參考應用機器學習 第七...
spark 機器學習 隨機森林 原理 一
1.什麼是隨機森林 顧名思義，是用隨機的方式建立乙個森 森林裡面有很多的決策樹組成，隨機森林的每一棵決 策樹之間是沒有關聯的。在得到森 之後，當有乙個新的輸入樣本進入的時候，就讓森 中的每一棵決策樹分別進行一下判斷，看看這個樣本應該屬於哪一類 對於分類演算法 然後看看哪一 類被選擇最多，就 這個樣本...