：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林几乎是任何预测类问题（甚至非线性问题）的首选。本文介绍了随机森林的原理、用途，以及用 Python 实现随机森林的方法。

　　随机森林是一种高度通用的机器学习方法，广泛应用于市场营销、医疗保健、保险等各领域。它可用于模拟市场营销对客户获取、保持和流失的影响，或用于预测患者的患病风险和感病性。

　　随机森林能够进行回归和分类。它能处理大量的特征，有助于预估哪些变量在建模的底层数据中很重要。本文介绍了随机森林的原理、用途，以及用 Python 实现随机森林的方法。

　　什么是随机森林？

　　随机森林几乎是任何预测类问题（甚至非线性问题）的首选。随机森林是相对较新的机器学习策略（出自90年代的贝尔实验室），可应用于几乎所用问题。它隶属于更大的一类机器学习算法，叫做“集成方法”（ensemble methods）。

集成学习（Ensemble Learning）

　　集成学习是解决单个预测问题的数个模型的组合。集成学习通过生成多个独立学习并进行预测的分类器/模型生效。然后这些预测结果被组合成一个预测，这个预测的准确率应当等于或大于任一分类器做出的预测。

　　随机森林是集成学习中非常有效的一种，因为它依赖于许多决策树的集合。更多关于Python 集成学习的内容可参考：

随机决策树（Randomized Decision Trees）

　　我们已经知道随机森林是其他模型的聚合，那么它聚合的是哪些模型呢？正如它的名字所示，随机森林是分类（或回归）决策树的聚合。决策树由一系列能够用于对一个数据集的观察进行分类的决策组成（）。

随机森林（Random Forest）

　　诱发随机森林的算法将自动创建许多随机决策树。由于这些树是随机生成的，它们大多数（大概99.9%）不会对学习分类/回归问题有影响。

　　如果观察到长度为45，眼睛是蓝色，并且有两条腿，那么它将被归类为红色。

Arboreal Voting

　　那么10000个（多半）糟糕的模型有什么好处？好吧，他们确实没什么帮助。但有帮助的是这么多的模型中也会产生少数几个非常好的决策树。

　　在进行预测时，新观察到的特征沿着每棵决策树的分支往下走，并被赋予一个预测值/标签（predicted value/label）。当森林中的每棵树都得到它的预测值/标签，这些预测就会被统计，所有树的投票被返回作为最终的预测结果。

　　简单地说，99.9%的不相关的树做出了大部分的预测，但它们彼此抵消。少数好的决策树做出了准确度高的预测，它们处于“噪声”的顶端，使得随机森林最终能产生较好的预测结果。

　　为什么使用随机森林？

因为它简单。

　　随机森林就像学习方法中的瑞士军刀，任何东西它都可以给你修好。随机森林尤其擅长预估推断变换（inferred transformations），因此，它不需要像 SVM 那样进行很多调试。

有关变换的一个例子

　　随机森林能够在没有精心设计的数据变换（data transformations）的环境下学习。以 f (x) = log(x)函数为例。

　　我们在Yhat自己的为数据分析而建的交互环境 Rodeo 中编写 Python 代码。可在这里下载Rodeo：https://www.yhat.com/products/rodeo。

　　首先，制造一些不真实数据（fake data）来加入一点噪音。

　　用 Rodeo 的话，应该能看到这样的情形：

　　放大看这张图：