算法流程

随机森林的生成

1. 输入训练数据 D，样本个数为 m ，待学习的决策树数量为 T。

2. 对于 t = 1,2,…,T，从 D 中有放回地采样 m 次，每次随机抽取一个样本，得到样本子集 D_t

3. 使用 D_t 生成决策树 t 。在生成决策树 t 的过程中，从当前结点的特征候选集中随机选择 k 个特征进行最优特征的选择。

上述过程体现了两个随机性：随机选择样本集和随机选择特征集，生成的 T 个决策树通过特定的结合策略构成随机森林。

随机森林的预测

若是分类任务，则输出 T 个决策树中多数表决的类别；若是回归任务，则输出 T 个决策树预测结果的均值。

例如，使用随机森林进行二分类的过程是这样的：

输入为样本的特征向量 X，随机森林中的每个决策树给出自己的分类结果，集成模块使用多数表决的方法判定最终的分类结果为 y = 0。

算法总结

随机森林的优点

1. 随机森林的两个随机性有利于增大个体学习器之间的差异，增强模型的泛化性能。

2. 由于随机森林的决策树是从一个特征子集中进行特征选择，所以训练效率要优于 Bagging。

3. 相比 Boosting 类算法，随机森林实现简单，决策树之间相互独立，可以并行训练。

4. 由于存在特征子集的随机选择，随机森林可以处理特征维度较高和部分特征缺失的情况。

5. 随机森林可以评估特征的重要性（本章的项目实战中会有相应的练习代码）。

随机森林的缺点

1. 在某些噪音比较大的样本集上，随机森林容易陷入过拟合。

2. 在数据量较小、特征较少的数据集上预测效果不是很好。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# 导入乳腺癌数据集
x,y = load_breast_cancer(return_X_y=True)
# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3)
# 实例化对象
rf = RandomForestClassifier(n_estimators=8, criterion='gini',max_depth=None, n_jobs=-1)
# 根据训练数据建立随机森林
rf = rf.fit(x_train, y_train)
# 模型预测
y_pred = rf.predict(x_test)
# 模型评估：计算准确率
accuracy = rf.score(x_test, y_test)
print(accuracy)
# 测试样本分别归属于每颗决策树的叶子结点索引
x_trans = rf.apply(x_test[[1]])
print(x_trans)