随机森林
随机森林（Random Forest）是一种基于树的集成学习算法，由Leo Breiman在2001年提出。它通过组合多个决策树来进行预测，每个决策树都是在随机子数据集上训练得到的。随机森林既可以用于分类问题，也可以用于回归问题。
基本原理
随机森林通过以下两个关键步骤引入随机性，以提高模型的泛化能力和准确性：
自助采样（Bootstrap Sampling）：从原始数据集中有放回地随机抽取多个子数据集，每个子数据集的大小与原始数据集相同。这些子数据集将用于训练不同的决策树。
特征选择：在构建每棵树时，不是考虑所有特征，而是从所有特征中随机选择一个子集，然后在选定的特征子集中找到最优的特征进行分割。
每棵树都是完全生长的，没有进行剪枝。在分类问题中，最终的预测结果是所有树的投票结果；在回归问题中，则是所有树预测结果的平均值。
特点
准确率高：随机森林通常比单个决策树具有更高的准确率。
鲁棒性强：由于随机森林是由多个决策树组成的，因此对噪声和异常值不敏感。
泛化能力强：随机森林能够很好地泛化到未见过的数据上。
能够处理高维数据：随机森林可以处理具有大量特征的数据集。
不需要特征选择：由于特征选择是随机进行的，因此不需要预先进行特征选择或降维。
缺点
计算成本高：训练随机森林需要构建多棵决策树，因此计算成本较高。
解释性差：虽然单个决策树很容易解释，但随机森林的解释性较差，因为它包含了多个决策树。
不适合处理大量类别不平衡的数据：如果数据集中某些类别的样本数量远多于其他类别，随机森林可能会偏向于这些类别。
