1.简述一下随机森林算法的原理
随机选择n条数据，并随机选择m个特征，然后构建决策树，重复此过程构建M棵树，并采用多数表决或者平均法来预测结果
2.随机森林的随机性体现在哪里？
随机选择数据，随机选择特征
3.随机森林算法的优缺点？
优点：提高泛化能力；防止过拟合；对缺失值不敏感；可以处理高维数据；不用做特征选择
缺点：
4.随机森林为什么不能用全样本去训练m棵决策树？
不知道耶，但是我感觉如果用全样本取训练，会出现一模一样的树，从而导致过拟合，而且也会降低分类准确度
5.随机森林和GBDT的区别？
随机森林 GBDT
拟合真实值 拟合残差
bagging模型 boosting模型
对异常值不敏感 敏感
分类树、回归树 回归树
不需要归一化 需要归一化
不容易过拟合 容易过拟合
二、老师的答案
**：修改：第四行：有放回的选择n个样本