隨機森林樹是上篇決策樹的進階版，是由多棵決策樹所組合出來的，由於是決策樹的進階版，所以說它的效能、預測能力都很強，也就會更多人去使用這個演算法，原理大致上是由多棵決策樹，加入各種變數的訓練資料，讓他大幅運算最終結果，你能想像的是由各式各樣不同的決策樹所組成的學習模型，它的訓練的過程圖會是下圖所示。

如何建立起一個隨機森林樹
1.定義n的隨機樣本，將從資料集中隨機選取n個資料，取完後放回。
2.從選取的n個資料中，訓練出決策樹。(然後決策樹的方式就跟上一篇所示一樣)
3.重複N次的第1個步驟到第2個步驟。
4.將所有決策樹的結果匯合，看大多數分類在哪，來決定分類的最終結果。

那其實說要產生不同的數據集，才能產生多顆不同的決策樹主要有一些方法:

1.Bagging(全名:Bootstrap Aggregation)
將樣子訓練資料抓一些出來，然後做出一顆決策樹，接著再放回去訓練資料裡面，所以說每一次抓樣本的時候有可能會抓到重複的資料，然後會根據訓練資料的難易度也就是簡單或困難去做權重分配，對於難的資料我們可以加強權重與訓練，希望說可以透過這樣的方式讓決策樹的成果效果更好。

2.Boosting
跟Bagging類似，但它訓練方式是反過來的，它是將我們錯誤的訓練資料重複訓練甚至是加重權重並加強練訊，這就很像是國小國中的時候，你不會的數學題目，將類似的題目一直重複的出給你，讓你越練越上手，訓練模型的時候也是這樣去訓練的。

那今天的內容講到這邊，謝謝觀看!!