通過上一篇文章《人工智能之決策樹》，我們清楚地知道決策樹（DT）是一類常見的機器學習方法。決策樹（DT）在人工智能中所處的位置：人工智能－－＞機器學習－－＞監督學習－－＞決策樹。決策樹主要用來解決分類和回歸問題，但是決策樹（DT）會產生過擬合現象，導致泛化能力變弱。過擬合是建立決策樹模型時面臨的重要挑戰之一。鑒于決策樹容易過擬合的缺點，由美國貝爾實驗室大牛們提出了采用隨機森林（RF）投票機制來改善決策樹。隨機森林（RF）則是針對決策樹（DT）的過擬合問題而提出的一種改進方法，而且隨機森林（RF）是一個最近比較火的算法。因此有必要對隨機森林（RF）作進一步探討。＾＿＾

隨機森林（RF）在人工智能中所處的位置：人工智能－－＞機器學習－－＞監督學習－－＞決策樹－－＞隨機森林。

隨機森林（RF）指的是利用多棵樹對樣本進行訓練并預測的一種分類器。該分類器最早由Leo Breiman和Adele Cutler提出，并被注冊成了商標。

那么什么是隨機森林？

隨機森林（RandomForests）是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數而定。Leo Breiman和Adele Cutler發展并推論出隨機森林的算法。隨機森林（RF）這個術語是1995年由貝爾實驗室的Tin Kam Ho所提出的隨機決策森林（random decision forests）而來的。這個方法則是結合 Breimans 的 ＂Bootstrap aggregating＂ 想法和 Ho 的＂random subspace method＂以建造決策樹的集合。

通過定義我們知道，隨機森林（RF）要建立了多個決策樹（DT），并將它們合并在一起以獲得更準確和穩定的預測。隨機森林的一大優勢在于它既可用于分類，也可用于回歸問題，這兩類問題恰好構成了當前的大多數機器學習系統所需要面對的。

隨機森林是集成學習的一個子類，它依靠于決策樹的投票選擇來決定最后的分類結果。集成學習通過建立幾個模型組合的來解決單一預測問題。集成學習的簡單原理是生成多個分類器／模型，各自獨立地學習和作出預測。這些預測最后結合成單預測，因此優于任何一個單分類的做出預測。

隨機森林的構建過程：

假設N表示訓練用例（樣本）個數，M表示特征數目，隨機森林的構建過程如下：

1）  輸入特征數目m，用于確定決策樹上一個節點的決策結果；其中m應遠小于M。

2）  從N個訓練用例（樣本）中以有放回抽樣的方式，取樣N次，形成一個訓練集，并用未抽到的用例（樣本）作預測，評估其誤差。

3）  對于每一個節點，隨機選擇m個特征，決策樹上每個節點的決定都是基于這些特征確定的。根據m個特征，計算其最佳的分裂方式。

4）  每棵樹都會完整成長而不會剪枝，這有可能在建完一棵正常樹狀分類器后會被采用。

5）  重復上述步驟，構建另外一棵棵決策樹，直到達到預定數目的一群決策樹為止，即構建好了隨機森林。

其中，預選變量個數（m）和隨機森林中樹的個數是重要參數，對系統的調優非常關鍵。這些參數在調節隨機森林模型的準確性方面也起著至關重要的作用。科學地使用這些指標，將能顯著的提高隨機森林模型工作效率。