扫码加入数据分析学习群

什么是随机森林算法？

随机森林是一种基于树的算法，它涉及构建多个树（决策树），然后组合它们的输出以提高模型的泛化能力。 组合树的方法称为集合方法。 集合只不过是弱学习者（个体树）的组合，以产生强大的学习者。

比如说，你想看电影。 但你不确定它的评论。 你问10个看过这部电影的人。 其中8人说“这部电影很精彩”。 由于大多数人都赞成，你决定观看这部电影。 这也是我们在日常生活中使用合奏技巧的方式。

随机森林可用于解决回归和分类问题。 在回归问题中，因变量是连续的。 在分类问题中，因变量是分类的。

随机森林的利弊

优点如下：

1. 它对相关预测变量具有鲁棒性。
2. 它用于解决回归和分类问题。
3. 它也可以用于解决无监督的ML问题。
4. 它可以处理数千个输入变量而无需变量选择。
5. 它可以用作使用其变量重要性图的特征选择工具。
6. 它以有效的方式内部处理缺失的数据。

缺点如下：

1. 随机森林模型很难解释。
2. 它倾向于返回超出训练数据范围的观察的不稳定预测。 例如，训练数据包含两个变量x和y。 x变量的范围是30到70.如果测试数据的x = 200，则随机森林将给出不可靠的预测。
3. 计算大量树木所需的时间可能比预期的要长。