随机森林：是一种集成学习，由多个弱监督模型组成，每个弱监督模型在某个方向表现比较好。
随机森林是通过集成学习的思想，将多棵决策树进行集成的算法。对于分类问题，其输出的类别是由个别树输出的众数所决定的。在回归问题中，把每一棵决策树的输出进行平均得到最终的回归结果。
森林：指整个模型包含了很多决策树。
随机：随机从数据中采样，用来训练森林中的每个决策树。保证每个决策树训练的角度不一样，保证每个决策树的输出相似，但不一样。
（1）采样随机：有放回的随机抽取数据。
（2）特征随机：每个样本有K个特征，随机从所有特征中选出k个特征作为决策节点构建决策树。
训练过程：
1、设置预训练模型的超参数
如森林中有几棵树，每棵树最多几层深度
2、随机采样，训练每个决策树，从而保证每棵树看问题的角度不一样。
3、输入待测样本到每棵决策树中，再将每个决策树的结果整合。
如果是回归问题：求均值
分类问题：众数 MODE
优点：
1.模型随机性强，不容易过拟合
2、抗噪音强
3、随机采样，使得对高维数据处理更快
4、 树状结构，模型可解释度高，可以告诉数据集中的那些特征比较重要
缺点：过于general，对过于困难的样本难以处理
模型起点高，天花板低
