通過(guò)上一篇文章《人工智能之決策樹(shù)》，我們清楚地知道決策樹(shù)（DT）是一類常見(jiàn)的機(jī)器學(xué)習(xí)方法。決策樹(shù)（DT）在人工智能中所處的位置：人工智能－－＞機(jī)器學(xué)習(xí)－－＞監(jiān)督學(xué)習(xí)－－＞決策樹(shù)。決策樹(shù)主要用來(lái)解決分類和回歸問(wèn)題，但是決策樹(shù)（DT）會(huì)產(chǎn)生過(guò)擬合現(xiàn)象，導(dǎo)致泛化能力變?nèi)?/strong>。過(guò)擬合是建立決策樹(shù)模型時(shí)面臨的重要挑戰(zhàn)之一。鑒于決策樹(shù)容易過(guò)擬合的缺點(diǎn)，由美國(guó)貝爾實(shí)驗(yàn)室大牛們提出了采用隨機(jī)森林（RF）投票機(jī)制來(lái)改善決策樹(shù)。隨機(jī)森林（RF）則是針對(duì)決策樹(shù)（DT）的過(guò)擬合問(wèn)題而提出的一種改進(jìn)方法，而且隨機(jī)森林（RF）是一個(gè)最近比較火的算法。因此有必要對(duì)隨機(jī)森林（RF）作進(jìn)一步探討。＾＿＾

隨機(jī)森林（RF）在人工智能中所處的位置：人工智能－－＞機(jī)器學(xué)習(xí)－－＞監(jiān)督學(xué)習(xí)－－＞決策樹(shù)－－＞隨機(jī)森林。

隨機(jī)森林（RF）指的是利用多棵樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類器。該分類器最早由Leo Breiman和Adele Cutler提出，并被注冊(cè)成了商標(biāo)。

那么什么是隨機(jī)森林？

隨機(jī)森林（RandomForests）是一個(gè)包含多個(gè)決策樹(shù)的分類器，并且其輸出的類別是由個(gè)別樹(shù)輸出的類別的眾數(shù)而定。Leo Breiman和Adele Cutler發(fā)展并推論出隨機(jī)森林的算法。隨機(jī)森林（RF）這個(gè)術(shù)語(yǔ)是1995年由貝爾實(shí)驗(yàn)室的Tin Kam Ho所提出的隨機(jī)決策森林（random decision forests）而來(lái)的。這個(gè)方法則是結(jié)合 Breimans 的 ＂Bootstrap aggregating＂ 想法和 Ho 的＂random subspace method＂以建造決策樹(shù)的集合。

通過(guò)定義我們知道，隨機(jī)森林（RF）要建立了多個(gè)決策樹(shù)（DT），并將它們合并在一起以獲得更準(zhǔn)確和穩(wěn)定的預(yù)測(cè)。隨機(jī)森林的一大優(yōu)勢(shì)在于它既可用于分類，也可用于回歸問(wèn)題，這兩類問(wèn)題恰好構(gòu)成了當(dāng)前的大多數(shù)機(jī)器學(xué)習(xí)系統(tǒng)所需要面對(duì)的。

隨機(jī)森林是集成學(xué)習(xí)的一個(gè)子類，它依靠于決策樹(shù)的投票選擇來(lái)決定最后的分類結(jié)果。集成學(xué)習(xí)通過(guò)建立幾個(gè)模型組合的來(lái)解決單一預(yù)測(cè)問(wèn)題。集成學(xué)習(xí)的簡(jiǎn)單原理是生成多個(gè)分類器／模型，各自獨(dú)立地學(xué)習(xí)和作出預(yù)測(cè)。這些預(yù)測(cè)最后結(jié)合成單預(yù)測(cè)，因此優(yōu)于任何一個(gè)單分類的做出預(yù)測(cè)。

隨機(jī)森林的構(gòu)建過(guò)程：

假設(shè)N表示訓(xùn)練用例（樣本）個(gè)數(shù)，M表示特征數(shù)目，隨機(jī)森林的構(gòu)建過(guò)程如下：

1）  輸入特征數(shù)目m，用于確定決策樹(shù)上一個(gè)節(jié)點(diǎn)的決策結(jié)果；其中m應(yīng)遠(yuǎn)小于M。

2）  從N個(gè)訓(xùn)練用例（樣本）中以有放回抽樣的方式，取樣N次，形成一個(gè)訓(xùn)練集，并用未抽到的用例（樣本）作預(yù)測(cè)，評(píng)估其誤差。

3）  對(duì)于每一個(gè)節(jié)點(diǎn)，隨機(jī)選擇m個(gè)特征，決策樹(shù)上每個(gè)節(jié)點(diǎn)的決定都是基于這些特征確定的。根據(jù)m個(gè)特征，計(jì)算其最佳的分裂方式。

4）  每棵樹(shù)都會(huì)完整成長(zhǎng)而不會(huì)剪枝，這有可能在建完一棵正常樹(shù)狀分類器后會(huì)被采用。

5）  重復(fù)上述步驟，構(gòu)建另外一棵棵決策樹(shù)，直到達(dá)到預(yù)定數(shù)目的一群決策樹(shù)為止，即構(gòu)建好了隨機(jī)森林。

其中，預(yù)選變量個(gè)數(shù)（m）和隨機(jī)森林中樹(shù)的個(gè)數(shù)是重要參數(shù)，對(duì)系統(tǒng)的調(diào)優(yōu)非常關(guān)鍵。這些參數(shù)在調(diào)節(jié)隨機(jī)森林模型的準(zhǔn)確性方面也起著至關(guān)重要的作用�？茖W(xué)地使用這些指標(biāo)，將能顯著的提高隨機(jī)森林模型工作效率。