随机森林定义
随机森林（Random Forest,以下简称RF）是一种树形分类器 \({h(x,\beta_k), k = 1,...}\) 的集合。其中元分类器${h(x,\beta_k)}$是用CART构建的没有剪枝（完全生长）的分类回归树：$x$是输入向量；$\beta_k$是独立同分布的随机向量，决定了单棵树的生长过程。森林的输出可以采用简单的多数投票法（针对分类，随机森林还可以用来做聚类）或单棵树输出结果的简单平均（针对回归）得到。
抛开上面正式的定义，对其进行直观的理解，随机森林就是将一堆决策树聚在一起，形成一个森林，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该 属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。
随机森林构造过程
假设数据集的每一行代表一个样本，共$N$个样本，每一列代表一个feature（属性），共$M$个特征（属性），随机森林构造过程可分解如下：
- 随机选取训练样本集：使用Bagging方法形成每棵树的训练集；
即进行行采样，采用有放回的方式(即Bagging方式)，也就是在采样得到的样本集合中，可能有重复的样本。假设每棵树的输入样本为$n$个，那么采样的样本也为$n$个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现over-fitting。
- 随机选取分类feature（属性）集：对于每一次行采样后得到的$n$个样本，从$M$个feature(属性)中随机选取出$m, m « M$个feature（属性），以这$m$个feature(属性)上最好的分裂方式建立决策树；
- 每棵树任其生长（即采用完全分裂的方式），不进行剪枝，这样决策树的某一个叶子节点要么是无法继续分裂的，要么里面的所有样本的都是指向的同一个分类。
一般很多的决策树算法都一个重要的步骤——剪枝，但是这里不用这么做，这是因为之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。
按这种算法得到的随机森林中的每一棵都是很弱的，但是大家组合起来就很厉害了。可以这样比喻随机森林算法：每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个feature中选择m让每一棵决策树进行学习），这样在随机森林中就有了很多个精通不同领域的专家，对一个新的问题（新的输入数据），可以用不同的角度去看待它，最终由各个专家，投票得到结果。有点类似论文审稿过程，由多个专家(各个专家精通或研究的方法可能不一样)给出不同的意见，然后综合几位专家的意见，决定论文是直接拒掉还是修改录用。
上面提到了bagging的概念，这个概念以及跟Boosting、Bootstrap等的联系，可以参考这篇文章Bootstrap, Boosting, Bagging,Random forest 几种方法的联系。
影响随机森林分类性能的主要因素
- 森林中单棵树的分类强度(Streng):每棵树的分类强大越大，则随机森林的分类性能越好；
- 森林中树之间的相关性(Correlation)：树与树之间的相关性越大，则随机森林的分类性能越差。
随机森林的特点
- 两个随机性（行样本采样随机和特征采样随机）的引入，使得随机森林不容易陷入over-fitting；
- 两个随机性（行样本采样随机和特征采样随机）的引入，使得随机森林具备很好的抗噪声能力；
- 对数据集的适应能力强：既能处理离散型数据类型，也能处理连续性数据类型，数据集无需规范化；
随机森林分类例子
在了解了随机森林的特性后，我们在安德森鸢尾花卉数据集上用随机森林对其做一个分类的小实验。安德森鸢尾花卉数据集的说明见上面给出的链接，其中每一类有50个样本，共3类。首先，我们对数据集进行划分，训练集每一类中抽取36个样本，将这36*3个样本保存在train.csv中，剩下的样本作为测试集保存在test.csv。下面是用scikit-learn中的random forest做的分类代码： 或者到这里nbviewer上查看Random Forest.ipynb
可以看到，在这个数据集上，随机森林对类别的预测表现非常的出色。
参考文章
