关于深度森林的一点理解

2017年年初，南京大学周志华老师上传了一篇名为：Deep Forest：Towards An Alternative to Deep Neural Networks的论文，一石激起千层浪，各大媒体纷纷讨论着，这似乎意味着机器学习的天色要变，实则不然，周志华老师通过微博解释道，此篇论文不过是为机器学习打开了另一扇窗，是另一种思维，而不是真的去替代深度神经网络（DNN）。

下面我就简单概括一下我对这篇论文的理解，如过存在问题希望看客帮楼主提出来，一起解决。

全篇论文重在介绍Deep Forest与Deep NN的比较，对于Deep Forest的结构解释比较简单，如果你是初学者，也许不太能够理解其中的Random Forest等。当然，为了体现出gcForest（Deep Forest的另一种说法，因为它的结构可以理解为：multi-Grained Cascade forest(多粒度级联森林)）的优势，首先还是要说一下他的对比方法，DNN存在哪些不足之处。

DNN的不足之处：1、需要大量的数据集来训练；2、DNN的模型太复杂，导致它的运行环境更适合公司，个人的使用还是比较局限；3、DNN有着太多的超参数（hyper-parameters），学习性能太依赖与对它们的调节。

在gcForest中，作者沿用了DNN中的类似于表征学习等特性，摒弃了DNN中复杂的逻辑结构。

gcForest原理，这个结构是生成一个深度树集成方法，使用级联结构让gcForest做表征学习，当输入带有高维度时，通过多粒度扫描，其表征学习能力还能得到进一步的提升，而且这种方法还能让gcForest注意到上下文结构，重要是：级联的数量能自行调节，因此，即使在处理小数据量的时候效果依然是有可能不错的。相对于DNN而言，g