通过上一篇文章《人工智能之决策树》，我们确切地告诉决策树（DT）是一类少见的机器学习方法。决策树（DT）在人工智能中所处的方位：人工智能－－＞机器学习－－＞监督自学－－＞决策树。决策树主要用来解决问题分类和重返问题，但是决策树（DT）不会产生过数值现象，造成一般化能力消退。过数值是创建决策树模型时面对的最重要挑战之一。

鉴于决策树更容易过数值的缺点，由美国贝尔实验室大牛们明确提出了使用随机森林（RF）投票机制来提高决策树。随机森林（RF）则是针对决策树（DT）的过数值问题而明确提出的一种改良方法，而且随机森林（RF）是一个最近较为火的算法。因此有适当对随机森林（RF）不作更进一步探究。

＾＿＾随机森林（RF）在人工智能中所处的方位：人工智能－－＞机器学习－－＞监督自学－－＞决策树－－＞随机森林。随机森林（RF）所指的是利用多棵树对样本展开训练并预测的一种分类器。

该分类器最先由LeoBreiman和AdeleCutler明确提出，并被登记出了商标。那么什么是随机森林？随机森林（RandomForests）是一个包括多个决策树的分类器，并且其输入的类别是由个别树根输入的类别的众数而以定。LeoBreiman和AdeleCutler发展并假设出有随机森林的算法。随机森林（RF）这个术语是1995年由贝尔实验室的TinKamHo所明确提出的随机决策森林（randomdecisionforests）而来的。

这个方法则是融合Breimans的＂Bootstrapaggregating＂点子和Ho的＂randomsubspacemethod＂以修建决策树的子集。通过定义我们告诉，随机森林（RF）要创建了多个决策树（DT），并将它们拆分在一起以取得更加精确和平稳的预测。随机森林的众多优势在于它既可用作分类，也可用作重返问题，这两类问题刚好包含了当前的大多数机器学习系统所必须面临的。

随机森林是构建自学的一个子类，它依赖于决策树的投票自由选择来要求最后的分类结果。构建自学通过创建几个模型人组的来解决问题单一预测问题。

构建自学的非常简单原理是分解多个分类器／模型，各自独立国家地自学和做出预测。这些预测最后融合成单预测，因此高于任何一个单分类的作出预测。随机森林的建构过程：假设N回应训练用例（样本）个数，M回应特征数目，随机森林的建构过程如下：1）输出特征数目m，用作确认决策树上一个节点的决策结果；其中m不应近大于M。

2）从N个训练用例（样本）中以有取出取样的方式，采样N次，构成一个训练集，后用并未抽到的用例（样本）不作预测，评估其误差。3）对于每一个节点，随机自由选择m个特征，决策树上每个节点的要求都是基于这些特征确认的。根据m个特征，计算出来其最佳的分化方式。

4）每棵树都会原始茁壮而会剪枝，这有可能开建完了一棵长时间树状分类器后会被使用。5）反复上述步骤，建构另外一棵棵决策树，直到超过预计数目的一群决策树为止，即建构好了随机森林。其中，复赛变量个数（m）和随机森林中树的个数是最重要参数，对系统的调优十分关键。这些参数在调节随机森林模型的准确性方面也起着至关重要的起到。

科学地用于这些指标，将能明显的提升随机森林模型工作效率。

本文来源：bat365在线登录入口-www.17huixiang.com