阅读随机森林模型前，建议首先阅读 决策树模型手册 ，因为随机森林模型实质上是多个决策树模型的综合，决策树模型只构建一棵分类树，但是随机森林模型构建非常多棵决策树，相当于在重复决策树模型。随机森林模型基于随机样本进行构建，并且在每个树节点时，考虑到分裂随机特征性，因而一般意义上，随机森林模型优于决策树模型（但并不一定，实际研究中应该以数据为准）。 上述中提及随机森林模型是多个决策树模型的综合，但是数据本身就只有一份，其是如何做到多个决策树模型呢？此处涉及到随机抽样原理，比如有100个数据，第1次随机从其中随机抽取100个数据，就得到一份新数据，即可使用该新数据进行一次决策树模型构建，接着第2次重复随机抽取100个数据，又得到一份新数据，再次使用新数据进行一次决策树模型构建。不停地重复循环上述步骤，即得到多个决策树模型；至于应该是多少个决策树，这可由参数设置决定。在得到多个决策树后，利用投票方式（比如多份数据均指向应该为A类别，那么就为A类别）或者求解均值概率方式来统计最终的分类结果。 除此之外， 随机森林的其它参数和指标解读，与决策树基本一致，因为其实质性原理为多个决策树模型的综合而已。

随机森林模型案例

最大特征数目限制：随机森林构建多棵决策树，每棵决策树不一定使用全部的特征（即自变量X），其可只使用部分特征，此参数值设置使用特征数量限制，通常情况下不需要对该参数设置，系统自动判断即可。 决策树数量：默认值为100，即构建100模决策树，该参数值可自行设置，通常不需要设置，决策树数量越多，模型构建越稳定，但模型运行时间越长。 是否有放回抽样：随机抽样原理上，比如100个样本中抽100个，第1次抽到编号5，第2次是否还可能继续抽到编号5，如果是放回抽样则可能，如果是不放回抽样则不可能再抽到编号5，正常情况下应该使用放回抽样，尤其是在样本数据集较少时。 袋外数据测试：比如100个样本随机抽100个，某些样本重复被抽到，可能余下一些编号无论如何也没有抽到，该类数据称为‘袋外数据’，此部分数据可在测试数据中进行使用。该参数不被选中时，即测试模型不使用袋外数据进行测试。 随机森林时，通常可以对“节点分列最小样本量”、“叶节点最小样本量”、“树最大深度”进行参数设置，该3个参数值与决策树模型完全一致，可参考 决策树模型手册 。 训练集比例默认选择为:0.8即80%（150*0.8=120个样本）进行训练随机森林模型，余下20%即30个样本(测试数据)用于模型的验证。需要注意的是，多数情况下，会首先对数据进行标准化处理，处理方式一般使用为正态标准化，此处理目的是让数据保持一致性量纲。当然也可使用其它的量纲方式，比如区间化，归一化等。 接着对参数设置如下： 具体上述具体指标的解读，可见决策树模型帮助手册，通常使用F1-score值进行评估即可，整体上，训练数据的F1-score值为0.95很高，而且测试数据时综合f1-score值为0.94，也很高（需要提示的是：在决策树模型时该值为0.906），意味着随机森林带来相对更优的预测结果。 接着可查看测试数据的‘混淆矩阵’，即模型预测和事实情况的交叉集合，如下图： model = RandomForestClassifier(criterion=gini, max_depth=40, min_samples_leaf=10, min_samples_split=2, n_estimators=100, bootstrap=True, oob_score=True, max_features=auto) model.fit(x_train, y_train)