目录：

• 1、论文分类之随机森林算法

论文分类之随机森林算法

算法原理与名称由来核心思想：随机森林结合了Breiman的“Bootstrap aggregating（Bagging）”和Ho的“random subspace method”，通过以下步骤构建模型：数据采样：从原始数据集中有放回地抽取自举样本（Bootstrap样本），每个样本用于训练一棵决策树。

随机森林算法基本思想集成学习框架：随机森林属于集成学习中的Bagging（Bootstrap Aggregating） *** ，通过自助采样（Bootstrap Sampling）从原始数据集中生成多个子数据集，每个子数据集用于训练一棵独立的决策树。最终预测结果通过所有决策树的投票（分类任务）或平均（回归任务）确定。

算法原理理解随机森林是一种集成学习 *** ，通过构建大量决策树并引入随机性来降低模型方差和过拟合风险。在训练过程中，使用Bootstrap抽样生成不同的训练集，并在节点分裂时随机选择特征子集，使模型具备处理高维和非线性数据的能力。