本篇文章主要簡單介紹隨機森林模型，以及背後的運行原理。
什麼是隨機森林?
隨機森林其實就是一個包含多棵決策樹的模型，在森林裡面建構一棵棵各自獨立的決策樹，最後以投票方式(眾數/取平均)來決定最終的結果。
隨機森林的運作原理
隨機森林最主要的運作原理為Bagging，採取取後放回的方式建立資料子集，並用這些不同的資料子集來建立森林裡的決策數。
隨機森林採用Bootstrap的方式分別對樣本以及特徵進行取後放回的抽樣，建立起一棵棵的決策樹。在兩個隨機因子之下，讓隨機森林較不容易產生過度配適的現象。
當森林裡的決策樹都建構好後，最終將以投票的方式來決定結果。對於離散型的資料，將採取個別決策樹結果的眾數；對於連續型的資料，則採取個別決策樹結果的平均值。
隨機森林的優缺點
隨機森林可以處理的資料集非常廣泛，可處理連續型資料亦可處理離散型的資料，更可以處理高維度的特徵資料。此外，在兩種隨機因子的抽取下，更可以讓隨機森林不容易產生過度配適的結果。
另一方面，過多的決策樹容易導致計算成本的提高，包含時間與空間的成本。另外，若資料本身的雜訊過多，還是會讓隨機森林出現過度配適的結果。
小結
綜合以上，簡單來說其實隨機森林就是一個包含多棵決策樹的模型，但事先透過兩個隨機因子抽樣的處理。對於隨機森林裡決策樹模型的建構有興趣的朋友，歡迎參考我們決策樹介紹的單元唷!
更多內容歡迎參考影片。下個單元，我們將一起用Python來實作隨機森林唷!