随机森林

1、什么是集成学习方法

集成学习通过建立几个板型组合的来解决单一预测问题，它的工作原理是生成多个分类器/模型，各独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。决策树过度拟合可以用剪枝或者集成学习方法的随机森林实现。

2、什么是随机森林

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由多个决策树输出的类别的众数而定。例如，如果你训练了5个树，其中有4个树的结果是True，1个树的结果是False，那么最终投票结果就是True。
随机：
森林：包含多个决策树的分类器

3、随机森林的原理过程

随机：特值随机，训练集随机
随机森林算法根据下列算法而建造每棵树：
·用N来表示训练用例（样本）的个数，M表示特征数目。
    。1、一次随机选出一个样本，重红N次。《随机有放回的抽取，有可能出现重复的样本）
    。2、随机去选出m个特征，m << M，建立决策制，每棵树有m个特征。
·采取bootstrap抽样 《随机有放回的抽样》   

4、为什么采取bootstrap抽样

为什么要随机推样训练？

• 如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也一样

为什么要有放回地抽样？

• 如果不是有放回的抽样，那么每棵树的训练样本都是