於上篇實作完之後，大家是否對於自己的操作上更進一步了呢，今天我們要來繼續為大家增加小知識，希望在操作上能得心應手外，還能在道理上融會貫通，一同更上一層樓!那就開始囉~

隨機森林(Random Forest)

為一個分類器，在給定數據集的各個子集上，包括了許多決策樹，並取平均值，來提高該數據集的準確性，從以上我們可以得知，隨機森林並不依賴於一棵決策樹，而是從每棵樹中獲取預測，並基於預測的多數票，來預測最終的輸出。
它還是一種流行的機器學習演算法，屬於監督式學習的技術，可用於分類與迴歸的問題。於算法上，基於集成式學習的概念，組合多個分類器來解決較複雜的問題，並且提高模型的性能。

如何抽樣?

它抽樣的設計是採抽後放回的方式，更詳細的說，就是抽取之後的樣本，會再被芳回去，等於說同一個樣本，在下一次抽樣時，有可能被重複抽到。

執行步驟

  1. 由訓練集中，隨機選擇 K 個數據
  2. 建構與所選的數據（子集）與之相關的決策樹
  3. 將所要建構的決策樹，選擇數字 N 
  4. 重複 1 和 2 步驟
  5. 幫新數據，找到各個決策樹的預測，並將其分配給贏較多票數的類別

常用的領域

• 在銀行業，大多使用它來識別貸款的風險
• 在醫學上，可以憑藉它來識別疾病的趨勢與風險
• 於土地上，可以透過它來檢視相似地土地被利用的區域
• 於營銷中，可使用此算法看出營銷之趨勢

隨機森林的優缺點

• 優點

1. 分類或迴歸問題皆能執行
2. 可處理較高維度的大型數據集
3. 可提高了模型的準確性，並防止過擬合的問題。(森林中的樹數量越多，精度越高，下降過度擬合的風險)

• 缺點

1. 它雖可用於分類和回歸任務，但其實並不更適合解決迴歸問題

今天就先到這裡囉~而我們明日就會再次見到它啦，bye~

參考資料:
Random Forest Algorithm
隨機森林(RANDOM FOREST)的底層概念、操作細節，與推薦相關資源