随机森林（Random Forest）算法的优点和缺点都有哪些？

随机森林(Random Forests)现在机器学习中比较火的一个算法，是一种基于Bagging的集成学习方法，能够很好地处理分类和回归的问题。下面小编整理了随机森林的优点和缺点，希望对大家有所帮助。

随机森林有许多优点：
1.准确率极高
2.能够有效地在大数据集上运行
3.引入了随机性，不容易过拟合
4. 随机森林有很好的抗噪声能力，但是在数据噪音比较大的情况下会过拟合。
5.能处理很高维度的数据，而且不用降维
6. 不仅能处理离散型数据，还能处理连续型数据，而且不需要将数据集规范化
7.训练速度快，能够得到变量重要性排序
8.容易实现并行化
9.即使对于缺失值问题也能够获得很好得结果
10.超参数的数量不是很多，并且都能很直观地了解它们多代表的含义

随机森林的缺点：
虽然随机森林算法已经足够快，但是当遇到随机森林中的决策树个数很多时，训练时所需要的空间和时间会很大，这将导致模型越慢。因此在实际应用中，如果遇到实时性要求很高的情况，最好选择其他算法。

应用场景
随机森林(Random Forest，简称RF)拥有广泛的应用前景，从市场营销到医疗保健保险，既可以用来做市场营销模拟的建模，用来统计客户的来源、保留和流失情况，也可用来预测疾病的风险和病患者的易感性。