決策樹講完了，今天就用小小的篇幅來講一下隨機森林吧！

隨機森林介紹

目的在結合多棵不同的決策樹，以達到更好的預測效果。

隨機森林和決策樹的概念其實差不多，主要的差別在於，決策樹只有「一棵樹」，隨機森林則是由很多棵決策樹組成的。

可能有人會問，很多棵是幾棵？欸……其實超過一棵就是隨機森林了，畢竟從中文字來看，雙木就成林了嘛（是這樣用的嗎？）

為什麼要隨機森林？

大家還記得昨天講過的決策樹嗎？如果還記得決策樹的運算羅集，就會發現他的缺點。

我們先把昨天那張圖片叫出來：

（再看一次還是覺得這個舉例很好笑XD）

決策樹是從「根節點」開始一步一步延伸下去的，這顯示他的判斷邏輯會經過不同節點，最後出來答案。但這樣的邏輯缺點就是，因為切入點太過單一，所以在判斷時出現誤差的可能性較大，預測也可能失準。

而隨機森林綜合了不同決策樹，決策樹不同，根節點可能也不同，甚至內部節點的排列也不同。等遇到新事物的時候，讓他在每一棵決策樹中都跑過一遍，隨機森林再綜合所有預測的結果。

以這種方式預測，比起單一的決策樹，誤差會小很多。

往技術一點說……

隨機森林使用的演算法是"自助集成"（Bootstrap Aggregation）或 "袋装法"（Bagging）。

這是通過從原始數據中隨機抽取來產生多個樣本的方法，且是以「有放回」的方式抽樣得到的，這意味著同一個樣本可以在多個自助樣本中出現，也可以完全不出現。

好像有點難懂。

簡單來說，前面我們有說要用不同樣本來訓練不同決策樹，對吧？但這裡所指的不同樣本可不是單純的切分。他採取的是隨機抽取球球（資料），形成了一個樣本之後，抽出來的球球要再放回去才繼續抽下一個。

這代表同一顆球（資料）可以同時出現在不同的樣本裡面，也可能完全沒出現（一直沒被抽到）。

結語

經過今天的講解，希望大家都可以理解隨機森林，並對決策樹的體系有更深一點的認識。

如果有什麼問題歡迎提出來哦！