随机森林的简单理解

集成学习：

经过构建多个分类器来完成学习任务，将多个分类器组合，会得到比单一分类器，更好的泛化能力。

集成学习有两类 Boosting 和Bagging

Boosting：个体分类器之间存在强依赖关系，必须串行生成的序列化方法

Bagging：个体分类器之间不存在依赖关系，能够同时生成的并行方法

Bagging和随机森林：

Bagging的表明是随机森林，Bagging的流程是用自助采样法从数据集中获得若干个采样集，基于每个采样集训练出一个个体分类器，在将个体分类器组合。

 

随机森林用于分类：

随机森林是采用n个决策树分类，将分类结果简单投票获得最终结果。

对决策树的集成：

• 采样差别：从含m个样本的数据集中获得采样集，是有放回采样采样，获得含有m个样本的采样集用于训练，保证采样集之间有重复但不彻底同样。
• 特征选择差别：每一个决策树的k个分类特征是在全部特征中随机选择（随机森林随机性的体现）

随机森林的参数：

• 决策树的个数m（490不到500）
• 决策树的特征个数k（大约8个）
• 随机森林的深度
• 每颗树的深度 不到10

随机森林是Bagging的一个扩展。 随机森林在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程当中引入随机属性选择(引入随机特征选择)。传统决策树在选择划分属性时在当前节点的属性结合(n个属性)，利用信息论的知识选取一个最优属性；而在随机森林中， 对决策树的每一个节点，先从该节点的属性集合中随机选取包含k个属性的子属性集，而后选择最优属性用于划分。这里的参数k控制了随机性的引入程度。若k=n， 则是通常的决策树；k=1， 则是随机选择一个属性进行划分。 随机森林对用作构建树的数据作了限制，使的生成的决策树之间没有关联，提高算法效果。