理論： 從樣本集（N個數據點）選出n個樣本（有放回）建立分類器

重復m次，獲得m個分類器

過程：

1. 樣本的隨機：從N個數據點中隨機選擇n個樣本

2. 屬性的隨機：從所有屬性中隨機選擇k個屬性

3. 重復m次，，建立m顆決策樹

4. m棵決策樹形成隨機森林，投票決定結果

參數：

n_estimators=10, //棵樹
max_depth=None, //最大深度

max_features =auto//最大屬性 max_features=sqrt(n_features)

min_samples_leaf=1, //最少分裂樣本數

優點：

隨機性的引入，不容易過擬合

隨機性的引入，有很好的的抗噪聲能力

高維度的數據，不用做特征選擇

處理離散型，連續性，不用做特征規範

缺點：

決策樹個數很多時，時間和空間會很大

對於屬性值很多的字段，會對模型產生很大的影響

隨機森林_理論