概念
随机森林是一种集成学习模型，通过构建多个决策树来进行分类或回归。它通过集成多棵树的预测结果，提升模型的准确性和稳定性。
工作原理
随机森林采用“Bagging”（自助采样）和随机特征选择的方法。训练过程中，每棵树从训练数据中随机抽样部分样本，同时随机选择特征进行划分。最终，分类任务通过投票多数决选出预测类别；回归任务则通过取平均值生成预测结果。
作用
随机森林广泛用于分类和回归任务，适用于特征多样且复杂的场景，如金融、医疗、图像识别等领域。
优点
- 对特征多样性和噪声有较强的鲁棒性
- 能有效减少过拟合，模型稳定性高
- 特征重要性评估方便，有助于特征选择
缺点
- 随着树的数量增多，计算资源消耗大，训练速度较慢
- 树的深度过深时，可能出现“偏差-方差”权衡
