随机森林是一种简单又实用的机器学习算法。
“随机“表示2种随机性，即每棵树的训练样本、训练特征随机选取。
多棵决策树组成了一片“森林”，计算时由每棵树投票或取均值的方式来决定最终结果，体现了三个臭皮匠顶个诸葛亮的中国传统民间智慧。
那我们该如何理解决策树和这种集成思想呢？
1、决策树
以分类任务为代表的决策树模型，是一种对样本特征构建不同分支的树形结构。
决策树由节点和有向边组成，其中节点包括内部节点（圆）和叶节点（方框）。内部节点表示一个特征或属性，叶节点表示一个具体类别。
预测时，从最顶端的根节点开始向下搜索，直到某一个叶子节点结束。下图的红线代表了一条搜索路线，决策树最终输出类别C。
决策树的特征选择
假如有为青年张三想创业，但是摸摸口袋空空如也，只好去银行贷款。
银行会综合考量多个因素来决定是否给他放贷。例如，可以考虑的因素有性别、年龄、工作、是否有房、信用情况、婚姻状况等等。
这么多因素，哪些是重要的呢？
这就是特征选择的工作。特征选择可以判别出哪些特征最具有区分力度（例如“信用情况”），哪些特征可以忽略（例如“性别”）。特征选择是构造决策树的理论依据。
不同的特征选择，生成了不同的决策树。
决策树的特征选择一般有3种量化方法：信息增益、信息增益率、基尼指数。
信息增益
在信息论中，熵表示随机变量不确定性的度量。假设随机变量X有有限个取值，取值xi对应的概率为pi，则X的熵定义为：
如果某件事一定发生（太阳东升西落）或一定不发生（钓鱼岛是日本的），则概率为1或0，对应的熵均为0。
如果某件事可能发生可能不发生（天要下雨，娘要嫁人），概率介于0到1之间，熵大于0。
由此可见，熵越大，随机性越大，结果越不确定。
我们再来看一看条件熵，表示引入随机变量Y对于消除X不确定性的程度。假如X、Y相互独立，则X的条件熵和熵有相同的值；否则条件熵一定小于熵。
明确了这两个概念，理解信息增益就比较方便了。现在我们有一份数据集D（例如贷款信息登记表）和特征A（例如年龄），则A的信息增益就是D本身的熵与特征A给定条件下D的条件熵之差，即：
数据集D的熵是一个常量。信息增益越大，表示条件熵越小，A消除D的不确定性的功劳越大。
所以要优先选择信息增益大的特征，它们具有更强的分类能力。由此生成决策树，称为ID3算法。
信息增益率
当某个特征具有多种候选值时，信息增益容易偏大，造成误差。引入信息增益率可以校正这一问题。
信息增益率为信息增益与数据集D的熵之比：
同样，我们优先选择信息增益率最大的特征，由此生成决策树，称为C4.5算法。
基尼指数
基尼指数是另一种衡量不确定性的指标。
假设数据集D有K个类，样本属于第K类的概率为pk，则D的基尼指数定义为：
其中：
Ck是D中属于第k类的样本子集。
如果数据集D根据特征A是否取某一可能值a被分割成D1和D2两部分，则在给定特征A的条件下，D的基尼指数为：
容易证明基尼指数越大，样本的不确定性也越大，特征A的区分度越差。
我们优先选择基尼指数最小的特征，由此生成决策树，称为CART算法。
决策树剪枝
决策树生成算法递归产生一棵决策树，直到结束划分。什么时候结束呢？
- 样本属于同一种类型
- 没有特征可以分割
这样得到的决策树往往对训练数据分类非常精准，但是对于未知数据表现比较差。
原因在于基于训练集构造的决策树过于复杂，产生过拟合。所以需要对决策树简化，砍掉多余的分支，提高泛化能力。
决策树剪枝一般有两种方法：
- 预剪枝：在树的生成过程中剪枝。基于贪心策略，可能造成局部最优
- 后剪枝：等树全部生成后剪枝。运算量较大，但是比较精准
决策树剪枝往往通过极小化决策树整体的损失函数实现。
假设树T有|T|个叶子节点，某一个叶子节点t上有Nt个样本，其中k类的样本有 Ntk个，Ht(T)为叶子节点t的熵，alpha是参数，则决策树的损失函数定义为：
其中熵为：
损失函数第一项为训练误差，第二项为模型复杂度，用参数alpha来衡量二者的比重。
CART算法
CART表示分类回归决策树，同样由特征选择、树的生成及剪枝组成，可以处理分类和回归任务。
相比之下，ID3和C4.5算法只能处理分类任务。
CART假设决策树是二叉树，内部结点特征的取值为“是”和“否”，依次递归地二分每个特征。
CART 对回归树采用平方误差最小化准则，对分类树用基尼指数最小化准则。
2、bagging集成
机器学习算法中有两类典型的集成思想：bagging和bossting。
bagging是一种在原始数据集上，通过有放回抽样分别选出k个新数据集，来训练分类器的集成算法。分类器之间没有依赖关系。
随机森林属于bagging集成算法。通过组合多个弱分类器，集思广益，使得整体模型具有较高的精确度和泛化性能。
3、随机森林
我们将使用CART决策树作为弱学习器的bagging方法称为随机森林。
由于随机性，随机森林对于降低模型方差效果显著。故随机森林一般不需要额外剪枝，就能取得较好的泛化性能。
相对而言，模型对于训练集的拟合程度就会差一些，相比于基于boosting的GBDT模型，偏差会大一些。
另外，随机森林中的树一般会比较深，以尽可能地降低偏差；而GBDT树的深度会比较浅，通过减少模型复杂度来降低方差。（面试考点）
最后，我们总结一下随机森林都有哪些优点：
- 采用了集成算法，精度优于大多数单模型算法
- 在测试集上表现良好，两个随机性的引入降低了过拟合风险
- 树的组合可以让随机森林处理非线性数据
- 训练过程中能检测特征重要性，是常见的特征筛选方法
- 每棵树可以同时生成，并行效率高，训练速度快
- 可以自动处理缺省值
如果您觉得这篇文章对您有帮助，欢迎点赞，让更多的人也能看到这篇内容 ❤️
关注公众号「NLP情报局」，第一时间阅读自然语言处理、机器学习算法热乎干货～
参考资料
[2] 李航《统计学习方法》第二版，第五章 决策树.(p67-p88)
推荐阅读
[1] 从BERT、XLNet到MPNet，细看NLP预训练模型发展变迁史
[2] 文本匹配利器：从孪生网络到Sentence-BERT综述
[4] 天池NLP赛道top指南
