十大经典预测算法（七）—随机森林

算法概述

随机森林，顾名思义就是由很多决策树融合在一起的算法，它属于Bagging框架的一种算法。

随机森林的“森林”，它的弱模型是由决策树算法训练的（CART算法），CART算法即能做回归也能做分类，“随机”是指构造的模型有一定的随机性。

每一颗决策树模型的训练是通过自助采样法（Boostrap抽样）抽出来的，所以每一个子模型的训练样本并不是完全相同的，每一个子模型都存在一些样本不在该模型的训练集中，那些没有被该子模型抽中的样本可作为这个子模型的测试集。

每一颗决策树模型在构建的时候并没有使用所有的特征变量，而是随机的从所有特征中抽取一个子集来训练模型，这样保证了子模型不但训练样本不完全一样，连特征变量也不完全一样，这样就很好的保证了多个子模型的随机性。

所以随机森林算法的随机性主要体现在以下两个方面：

1、子模型的训练样本是随机抽取的

2、子模型的特征变量也是随机抽取的

随机性的引入使得随机森林模型不容易陷入过拟合，具有很好的抗噪能力。而且随机性保证了各子模型间的多样性，子模型间差异越大，模型融合起来的效果会越好，如下图所示：