什么是随机森林算法?随机森林算法有哪些优缺点?随机森林是一种有监督学习算法，是以决策树为基学习器的集成学习算法，随机森林非常简单，易于实现，计算开销也很小，但是它在分类和回归上表现出非常惊人的性能，因此，随机森林被誉为“代表集成学习技术水平的方法”。下面我们就来谈谈为什么要使用随机森林算法，以及有哪些优点和缺点。

为什么使用随机森林?

1、随机森林既可以用于分类问题，也可以用于回归问题

2、过拟合是个关键的问题，可能会让模型的结果变得糟糕，但是对于随机森林来说，如果随机森林的树足够多，那么分类器就不会过拟合模型

3、随机森林分类器可以处理缺失值

4、随机森林分类器可以用分类值建模

随机森林算法优缺点有哪些?

1、随机森林算法优点

由于采用了集成算法，本身精度比大多数单个算法要好，所以准确性高

在测试集上表现良好，由于两个随机性的引入，使得随机森林不容易陷入过拟合(样本随机，特征随机)

在工业上，由于两个随机性的引入，使得随机森林具有一定的抗噪声能力，对比其他算法具有一定优势

由于树的组合，使得随机森林可以处理非线性数据，本身属于非线性分类(拟合)模型

它能够处理很高维度(feature很多)的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化

训练速度快，可以运用在大规模数据集上

可以处理缺省值(单独作为一类)，不用额外处理

由于有袋外数据(OOB)，可以在模型生成过程中取得真实误差的无偏估计，且不损失训练数据量

在训练过程中，能够检测到feature间的互相影响，且可以得出feature的重要性，具有一定参考意义

由于每棵树可以独立、同时生成，容易做成并行化方法

由于实现简单、精度高、抗过拟合能力强，当面对非线性数据时，适于作为基准模型

2、随机森林算法缺点

当随机森林中的决策树个数很多时，训练时需要的空间和时间会比较大

随机森林中还有许多不好解释的地方，有点算是黑盒模型

在某些噪音比较大的样本集上，RF的模型容易陷入过拟合

有关随机森林算法的知识就先讲到这里，如果你对此感兴趣，请关注IT培训网，更多的技术分享会及时更新，敬请期待!