机器学习：随机森林（Random Forest）

随机森林，Random Forest，简称RF，是一个很强大的模型。要研究随机森林，首先要研究决策树，然后再去看RF是怎么通过多颗决策树的集成提高的模型效果。

决策树分为三种，分别是ID3、C4.5和CART决策树：

ID3：信息增益
C4.5：信息增益率
CART：Gini系数

而随机森林算法中，“随机”是这个模型的灵魂，“森林”只是一种简单的组合方式而已。随机森林在构建每棵树的时候，为了保证每棵树之间的独立性，通常会采用两到三层的随机性。

1）从数据抽样开始，每颗树都随机地在原有数据的基础上进行有放回的抽样。假定训练数据有1万条，随机抽取8千条数据，因为是有放回的抽样，可能原数据中有500条被抽了两次，即最后的8千条中有500条是重复的数据。每颗树都进行独立的随机抽样，这样保证了每颗树学习到的数据侧重点不一样，保证了树之间的独立性。

2）抽取了数据，就可以开始构建决策分支了，在每次决策分支时，也需要加入随机性，假设数据有20个特征（属性），每次只随机取其中的几个来判断决策条件。假设取4个属性，从这4个特征中来决定当前的决策条件，即忽略其它的特征。取特征的个数，通常不能太小，太小了使得单颗树的精度太低，太大了树之间的相关性会加强，独立性会减弱。通常取总特征的平方根，或者log2(特征数)+1，在scikit-learn的实现中，支持sqrt与log2，而spark还支持onethird(1/3)。

3）在结点进行分裂的时候，除了先随机取固定个特征，然后选择最好的分裂属性这种方式，还有一种方式，就是在最好的几个（依然可以指定sqrt与log2)分裂属性中随机选择一个来进行分裂。scikit-learn中实现了两种随机森林算法，一种是RandomForest，另外一种是ExtraTrees，ExtraTrees就是用这种方式。在某些情况下，会比RandomForest精度略高。

总结来说，使用随机性的三个地方如下：

1、随机有放回的抽取数据；
2、随机选取N个特征，选择最好的属性进行分裂；
3、在N个最好的分裂特征中，随机选择一个进行分裂；

这就是随机森林的三个“随机”所在，“随机”的目的就是为了保证各个基算法模型的相互独立，从而提升组合后的精度。当然，还要保证每个基分类器不至于太弱，至少要强于随机猜测，也就是错误率不要超过0.5。
调用RandomForestClassifier时的参数说明：

• n_estimators：指定森林中树的颗数，越多越好，只是不要超过内存；
• criterion：指定在分裂使用的决策算法；
• max_features：指定了在分裂时，随机选取的特征数目，sqrt即为全部特征的平均根；
• min_samples_leaf：指定每颗决策树完全生成，即叶子只包含单一的样本；
• n_jobs：指定并行使用的进程数；

从随机森林的构建过程来看，随机森林的每棵树之间都是独立构建的，而且是尽量的往独立的方向靠拢，不依赖其他树的构建。就这一特点，就被大家所喜爱，因为这样就可以做成并行的！

随机森林基本上继承了决策树的全部优点，它只需要做很少的数据准备，其他算法常常需要对数据做归一化。决策树能够处理连续变量，也能处理离散变量，当然也能做多分类问题，多分类问题依然还是二叉树。决策树就是if-else语句，区别只是哪些条件写在if，哪些写在else，因此易于理解和解释。

决策树的可解释性很强，你可以打印出整个树来，从哪个因素开始决策的，一目了然。随机森林的解释性就没这么强了，因为引入了随机抽取特征，而且是多棵树共同决定，树一旦多了，很难说清楚得出结论的具体过程，虽然可以打印出每棵树的结构，但是很难分析。

虽然不好解释，但是RF解决了决策树的过拟合问题，使模型的稳定性增加，对噪声也更加鲁棒，从而提升了整体预测精度。

因为随机森林能计算参数的重要性，因此也可用于对数据的降维，只选取少量几维重要的特征来近似表示原数据。同理，在数据有众多的特征时，也可以用于特征选择，选择关键的特征用于算法中。

最后，在大数据环境下，随着森林中树的增加，最后生成的模型可能过大，因为每颗树都是完全生长，存储了用于决策的全部数据，导致模型可能达到几G甚至几十G。如果用于在线的预测，光把模型加载到内存就需要很长时间，因此比较适合离线处理。