Random Forest Algorithm

随机森林 RandomForest

• • 1、集成学习方法
    • • 1.1 Scikit-learn库中集成算法相关功能模块

    • 2、随机森林模型

    • • 2.1 优势与局限性探讨
      • 2.2 分类与回归应用
      • • 2.2.1 随机森林分类器

    • 2.2.2 随机森林回归器

    • 2.2.3 关键参数说明

    • 2.2.4 核心属性解析

    • 2.2.5 主要接口功能

    • 3、随机森林模型的参数优化策略

1、集成学习方法综述

集成学习（ensemble learning）无疑是当前备受关注的机器学习技术之一。其本身并非一种独立的算法，而是通过组合多个学习模型来实现任务目标，正所谓“集众家之长”。该方法可广泛应用于分类任务、回归分析、特征选择以及异常检测等多个方面。在各类算法竞赛中，诸如随机森林、梯度提升树（GBDT）和Xgboost等集成方法的身影频繁出现。
关于集成学习的具体定义及数学推导过程，本文将不再赘述，如需深入了解，可参考这篇博客刘建平集成学习博客

1.1 Sklearn中的集成算法模块