随机森林是一种由决策树组成的集成算法，通常具有良好的性能。
本文介绍随机森林的基本概念、4个结构步骤、4种方式的对比评价、10个优缺点和4个应用方向。
什么是随机森林？
随机森林属于综合学习中的baggingbootstrapaggregation的简称)方法。 用图表示他们的关系如下。
决策树诊断树
在解释随机森林之前，必须先提到决策树。 决策树是一种非常简单的算法，他的解释力很强，也符合人类的直觉思维。 这是一种基于if-then-else规则的监控学习算法，上面的图像可以直观地表达决策树的逻辑。
有关决策树的详细信息，请参阅《一文看懂决策树 Decision tree（3个步骤+3种典型算法+10个优缺点）》
随机森林随机森林|射频
随机森林由许多决策树组成，不同的决策树之间没有关联。
我们进行分类任务时，如果有新的输入样本，让森林内的一个决策树分别进行判断和分类，各决策树得到自己的分类结果，决策树的分类结果中哪个分类最多，随机森林将该结果作为最终结果。
构建随机森林的四个步骤
如果有n个样本，则有n个返回的随机选择样本。 每次随机选择一个样本，返回继续选择)。 这个被选择的n个样本用于训练决策树作为决策树的根节点的样本。 每个样本有m个属性时，决策树的各节点需要分裂时，从该m个属性中随机提取m个属性，满足条件mmm。 然后，从这m个属性中使用某种战略，例如信息增益，选择一个属性作为该节点的分裂属性。 在形成决策树的过程中，每个节点按照步骤2分裂。 其次如果该节点选择的属性之一是父节点分裂后立即使用的属性，则不难理解，该节点已经到达叶节点，不需要继续分裂)。 直到不能再分裂为止。 注意在整个决策树形成过程中没有进行剪枝。 按照步骤1￣3制作大量决策树后，构成随机森林。
随机森林的优缺点
好处
它可以发出非常高维的多特征的)数据，而且不降低维度，不选择特征就可以判断特征的重要度，不同特征之间的相互影响比拟合训练的速度更难，更容易制作并行化方法，并且实际上即使失去了大部分特征，也能够维持精度。 缺点
随机森林被证明过度符合噪声大的分类和回归问题。 对于具有不同值属性的数据，由于取值属性对随机森林的影响更大，随机森林用这种数据产出的属性权重是不可靠的随机森林的4种实现方法的比较测试
随机森林是常用的机器学习算法，既可以用于分类问题，也可以用于回归问题。 本文对scikit-learn、Spark MLlib、DolphinDB、XGBoost四个平台的随机森林算法的实现进行了比较测试。 评价指标包括内存使用量、执行速度和分类的准确性。
测试结果如下。
忽略测试过程和说明，有兴趣的人可以看原文《随机森林算法 4 种实现方法对比测试：DolphinDB 速度最快，XGBoost 表现最差》
森林的四个应用方向
随机森林可以在很多地方使用：
学习无离散值向分类连续值的回归监测的聚类异常点检测