趣味编程:Python实现的随机森林

　　如果 我们 建立了 一个 基本 的 线性 模型 通过使用 x 来预测y， 我们需要 作 一 条 直线 ， 算是 平分 log (x) 函数。 而 如果 我们 使用 一个 随机 的 森林 ， 它 不会 更 好 的 逼近 log (x) 曲线 并能够使得它更像实际函数。

　　你也许会说 随机 森林 有点 扰乱了 log(x) 函数 。 不管怎样 ， 我 都认为 这 做了一个 很 好 的 说明 如何 随机 森林 并 未绑定于 线性 约束 。

　　使用

　　变量选择

　　随机森林最好的用例之一是特征选择。尝试很多决策树变种的一个副产品就是你可以检测每棵树中哪个变量最合适/最糟糕。

　　当一棵树使用一个变量，而另一棵不使用这个变量，你就可以从是否包含这个变量来比较价值的减少或增加。优秀的随机森林实现将为你做这些事情，所以你需要做的仅仅是知道去看那个方法或参数。

　　在下述的例子中，我们尝试去指出对于将酒分为红酒或者白酒哪个变量是最重要的。

 

 

　　分类

　　随机森林也很善于分类。它可以被用于为多个可能目标类别做预测，它也可以被校正输出概率。你需要注意的一件事情是过拟合。随机森林容易产生过拟合，特别是在数据集相对小的时候。当你的模型对于测试集合做出“太好”的预测的时候就应该怀疑一下了。

　　产生过拟合的一个原因是在模型中只使用相关特征。然而只使用相关特征并不总是事先准备好的，使用特征选择（就像前面提到的）可以使其更简单。

　　回归

　　是的，它也可以做回归。

　　我们已经发现随机森林——不像其它算法——对分类变量或者分类变量和真实变量混合学习的非常好。具有高基数（可能值的#）的分类变量是很棘手的，所以在你的口袋中放点儿这样的东西将会是非常有用的。