昨天八點多睡，今天今神飽滿，終於筆者的每日日記回來了在這裡寫日記也不太對就是了，今天的標題有私心，這是一部我蠻喜歡的音樂劇，大家應該也看過，有被改編成電影(魔法黑森林)，雖然我沒看過電影版，但音樂劇版本很好看(好聽)，這邊偷偷安利一下。

隨機森林（Random Forest）

隨機森林由多個決策樹組成，每棵樹都是根據不同的隨機樣本和特徵訓練而成
每個決策樹都是一個弱學習器，可能容易 Overfitting 訓練資料，但當它們組合在一起，通過多數決（分類問題）或平均（迴歸問題）來獲得最終預測，變成強大的集成模型
隨機森林通常用於分類和迴歸問題

隨機抽樣資料集

隨機森林中的每個決策樹都是不同的隨機抽樣資料集訓練而成的
這種隨機抽樣稱為自助抽樣（ Bootstrap Sampling ），代表每個決策樹的訓練集可以包含重複的樣本
這樣隨機性確保了每棵樹都有獨立性，減少了 Overfitting 的風險

調參

• 樹的數量（n_estimators） 增加樹的數量可以提高模型性能，也會增加計算成本
• 樹的深度（max_depth） 限制樹的深度可以防止 Overfitting，可以通過交叉驗證來找適合的深度
• 最小葉節點數（min_samples_leaf） 設最小葉節點數也可以防止 Overfitting ，可以使模型更穩定，但可能降低模型的靈敏度
• 特徵選擇 隨機森林本身對特徵選擇是相對好的，通過分析特徵重要性，刪除不重要的特徵來簡化模型
• 其他參數 還有其他參數，如分割標準（criterion）、最小節點分割所需的最小樣本數（min_samples_split）等

隨機森林的優缺點

優點

• 優秀的預測性能，尤其是在分類和迴歸問題，改善模型的泛化能力
• 隨機森林的隨機性特徵和隨機抽樣可以減少 Overfitting
• 能夠有效處理高維度資料，並且不需要太多的特徵工程
• 可以提供特徵重要性評估，有助於特徵選擇和解釋模型
• 能夠有效處理類別不平衡的資料，產生平衡的預測結果

缺點

• 包含多個決策樹，模型的結構變得複雜，很難解釋模型的預測過程
• 由多個決策樹組成，訓練和預測的計算成本較高