隨機森林是在Bagging策略的基礎上進行修改后的一種算法。

• 隨機：數據采樣隨機，特征選擇隨機
• 森林：很多個決策樹并行放在一起

9.1 算法的基本原理

采取有放回的抽樣方式，構造子數據集，保證不同子數據集之間的數量集一樣。
利用子數據集來構建子決策樹，每個子決策樹輸出一個結果。
統計子決策樹的投票結果，得到最終的分類，就是隨機森林的輸出結果。
具體的構建過程如下：

• 從樣本中用 Bootstrap 采樣選出n個樣本
• 從所有屬性中隨機選擇K個屬性，選擇出最佳分割屬性作為節點創建決策樹
• 重復以上兩步m次
• 統計這m個子決策樹得出的結果，通過投票表決結果決定數據屬于哪一類。

9.2 隨機森林的優劣勢

優勢：

• 它能夠處理很高維度的數據，并且不用做特征選擇
• 在訓練完后，它能夠給出哪些特征比較重要
• 并行化處理，速度較快
• 可以進行可視化展示，便于分析
• 由于存在隨機抽樣，訓練出來的模型方差小，泛化能力強
• 由于進行隨機選擇決策樹劃分特征列表，在樣本維度比較高時，依然具有比較高的性能
• 對部分特征的缺失不敏感
  劣勢：
• 在某些噪音比較比較大的特征上，RF模型容易陷入過擬；
• 取值比較多的劃分特征對RF的決策會產生更大的影響，從而有可能影響模型的效果。

9.3 sklearn調用及參數解釋

class sklearn.ensemble.RandomForestClassifier（
    n_estimators=10, criterion='gini', max_depth=None, 
    min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0,
    max_features='auto', max_leaf_nodes=None, min_impurity_decrease=0.0, 
    min_impurity_split=None, bootstrap=True, oob_score=False, n_jobs=1, 
    random_state=None, verbose=0, warm_start=False, class_weight=None)

因為隨機森林是很多個決策樹并行計算，所以隨機森林的很多參數與決策樹的類似。
（1） 決策樹參數：

• criterion:"gini" or "entropy" (defaut = "gini")是計算屬性的gini(基尼不純度)還是entropy(信息增益)，來選擇最合適的節點。
• splitter: ”best” or “random”(default=”best”)隨機選擇屬性還是選擇不純度最大的屬性，建議用默認。
• max_features: 選擇最適屬性時劃分的特征不能超過此值。
  當為整數時，即最大特征數；當為小數時，訓練集特征數*小數；
  if “auto”, then max_features=sqrt(n_features).
  If “sqrt”, thenmax_features=sqrt(n_features).
  If “log2”, thenmax_features=log2(n_features).
  If None, then max_features=n_features.
• max_depth: (default=None)設置樹的最大深度，默認為None，這樣建樹時，會使每一個葉節點只有一個類別，或是達到min_samples_split。
• min_samples_split:根據屬性劃分節點時，每個劃分最少的樣本數。
• min_samples_leaf:葉子節點最少的樣本數。
• max_leaf_nodes: (default=None)葉子樹的最大樣本數。
• min_weight_fraction_leaf: (default=0) 葉子節點所需要的最小權值
• verbose:(default=0) 是否顯示任務進程
  （2）隨機森林特有的參數
• n_estimators=10：決策樹的個數，越多越好，但是性能就會越差，至少100左右（具體數字忘記從哪里來的了）可以達到可接受的性能和誤差率。
• bootstrap=True：是否有放回的采樣。
• oob_score=False：oob（out of band，帶外）數據，即：在某次決策樹訓練中沒有被bootstrap選中的數據。多單個模型的參數訓練，我們知道可以用cross validation（cv）來進行，但是特別消耗時間，而且對于隨機森林這種情況也沒有大的必要，所以就用這個數據對決策樹模型進行驗證，算是一個簡單的交叉驗證。性能消耗小，但是效果不錯。
• n_jobs=1：并行job個數。這個在ensemble算法中非常重要，尤其是bagging（而非boosting，因為boosting的每次迭代之間有影響，所以很難進行并行化），因為可以并行從而提高性能。1=不并行；n：n個并行；-1：CPU有多少core，就啟動多少job。
• warm_start=False：熱啟動，決定是否使用上次調用該類的結果然后增加新的。
• class_weight=None：各個label的權重。
  參數解釋來自sklearn中隨機森林的參數