没有爱情发生
她只好趁着酒意释放青春
刻意凝视每个眼神
却只看见自己也不够诚恳
推开关了的门
在风中晾干脸上的泪痕
然后在早春陌生的街头狂奔
直到这世界忘了她这个人
🎵 林忆莲《失踪》
随机森林原理介绍
随机森林是一种用于分类和回归的集成学习算法。它由许多决策树组成，并通过集合的方式汇总所有树的预测结果。每一棵树在训练时都会从训练集随机抽取子集并独立训练，因此具有较强的抗过拟合能力。
随机森林的原理
-
袋外数据：在随机森林中，每一棵树都通过自助法（Bootstrap）进行训练，即从样本集中随机抽取一部分用于训练，而剩下的样本作为袋外数据（OOB）。袋外数据在模型评估时起到验证集的作用。
-
特征选择：每棵决策树在每个节点分裂时，并不是考虑全部特征，而是随机抽取一部分特征进行分裂，以减少相关性，提高泛化性能。
-
预测汇总：对于分类问题，随机森林的预测结果是每一棵树的投票结果的多数票；对于回归问题，取每一棵树的预测均值。
随机森林的优势
- 抗过拟合能力强：由于引入了随机性，单个树的过拟合会被降低。
- 具有稳健的性能：在样本量较小、噪声较多的情况下，随机森林仍能保持较高的准确性。
通俗易懂的例子
智慧的评委团：
想象一下，你要预测一部电影的票房收入，你可以邀请多位电影评论家来进行预测。每位评论家都根据自己的经验和判断标准来预测票房，这就像随机森林中的每棵决策树。
- 随机抽样: 每位评论家只观看电影的一部分片段或预告片，就像每个子数据集只包含一部分样本。
- 构建决策树: 每位评论家根据自己看到的片段，结合自身的经验和判断标准，来预测票房收入，这就像每棵决策树根据随机选择的特征进行节点分裂。
- 模型集成: 最终的票房预测结果由所有评论家的预测结果综合得出，例如取平均值或进行投票，这就像随机森林将多个决策树的预测结果进行组合。
