影響性能因素：

1）森林中的每個樹越茂盛，分類效果就越好。

2）樹和樹的枝葉穿插越多，分類效果就越差。

隨機森林的隨機選�。�

1）數(shù)據(jù)的隨機選取：從原始的數(shù)據(jù)集中采取有放回的抽樣，構(gòu)造子數(shù)據(jù)集。相同或不同子數(shù)據(jù)集的元素都可以重復。利用子數(shù)據(jù)集構(gòu)建子決策樹，將這個數(shù)據(jù)放到每個子決策樹中，每個子決策樹輸出一個結(jié)果。新的數(shù)據(jù)需要通過隨機森林得到分類結(jié)果，通過對子決策樹的判斷結(jié)果的投票，得到隨機森林的輸出結(jié)果。

2）待選特征的隨機選取：隨機森林中子樹的每一個分裂過程并沒有用到所有的待選特征，僅從所有的待選特征中隨機選取一定的特征，再在隨機選取的特征中選取最優(yōu)特征。這樣能使得隨機森林中的決策樹都能夠彼此不同，提升系統(tǒng)的多樣性，從而提升分類性能。

隨機森林優(yōu)點：

1）具有極高的準確率；

2）可以處理大量的輸入變數(shù)，并可以評估變數(shù)的重要性；

3）隨機性的引入，使得隨機森林不容易過擬合；

4）隨機性的引入，使得隨機森林有很好的抗噪聲能力；

5）能處理很高維度的數(shù)據(jù)，并且不用做特征選擇；

6）在創(chuàng)建隨機森林的時候，對generlizationerror使用的是無偏估計；

7）既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)，數(shù)據(jù)集無需規(guī)范化；

8）對于不平衡的分類資料集來說，可以平衡誤差；

9）訓練速度快，可以得到變量重要性排序；

10）容易實現(xiàn)并行化。

隨機森林缺點：

1）當隨機森林中的決策樹個數(shù)很多時，訓練時需要的空間和時間會較大；

2）隨機森林在解決回歸問題時并沒有像它在分類中表現(xiàn)的那么好，不能夠作出超越訓練集數(shù)據(jù)范圍的預測，這可能導致在對某些還有特定噪聲的數(shù)據(jù)進行建模時出現(xiàn)過度擬合；

3）隨機森林模型還有許多不好解釋的地方，有點算是黑盒模型；

隨機森林應用前景：

隨機森林具有準確度高、抗噪聲能力強、不容易過擬合、數(shù)據(jù)集無需規(guī)范化、平衡誤差、訓練速度快、易實現(xiàn)并行化、應用性強、適用范圍廣等優(yōu)點。近年來，隨機森林模型在界內(nèi)的關注度與受歡迎程度有著顯著的提升。它可以快速地被應用到幾乎任何的數(shù)據(jù)科學問題中去，從而使人們能夠高效快捷地獲得第一組基準測試結(jié)果。在各種各樣的問題中，隨機森林一次又一次地展示出令人難以置信的強大，而與此同時它又是如此的方便實用。隨機森林算法可被用于很多不同領域，如銀行，股票市場，醫(yī)藥和電子商務。在銀行領域，用來檢測那些比普通人更高頻率使用銀行服務的客戶，并及時償還他們的債務。也會被用來檢測那些想詐騙銀行的客戶。在金融領域，可用于預測未來股票的趨勢。在醫(yī)療保健領域，可用于識別藥品成分的正確組合，分析患者的病史以識別疾病。在電子商務領域中，隨機森林可以被用來確定客戶是否真的喜歡某個產(chǎn)品。

結(jié)語：

隨機森林是一種多功能的機器學習算法，能夠執(zhí)行回歸和分類的任務。隨機森林用隨機的方式建立一個森林，森林里面有很多的決策樹組成，可以將幾個低效模型（決策樹）整合為一個高效模型（隨機森林）。它主要解決了決策樹泛化能力弱的缺點。同時，隨機森林也實現(xiàn)了數(shù)據(jù)降維，是處理缺失值、異常值或其他數(shù)據(jù)的重要手段，并取得了不錯成效。隨機森林是人工智能之機器學習中最近比較火的算法，具有準確度高、抗噪聲強、速度快、并行化、適用廣等優(yōu)點，在實際應用中，隨機森林算法性能表現(xiàn)得非常強大和實用，因此在業(yè)界受到高度關注和歡迎，其應用前景非常廣泛和深遠。