前面两篇文章已经对决策树进行了一个简单的介绍，也介绍了两个包，那么今天我们介绍题目中的另外一个概念：森林。既然树已经理解了，那么森林不就一样么。
俗话说：独木不成林（PS：榕树除外），那么森林自然就是很多很多颗树咯，比如十一黄金周时候的故宫……
看到这里，同学们可能会问：what are you 弄撒捏？搞这么多出来干嘛？一棵树不就完了么：
OK，正如有一个同学问我的这样一个问题：
人力有穷，机器的能力，理论上是无穷的，那么数据的数量理论也是无穷的……这样看来，无穷的算力+无穷的数据，就会变成一颗无穷大的树……
把所有数据都加入到一个算法里面进行计算，无非就两种结果：
1、数据量太大，超过了当前系统的处理能力，game over：
2、系统足够强大，生成出了一个全枝全叶的树木，而且是极其庞大的树木，那么计算量上面自然就：
而且生成出来之后，你发现你的判断模型是严重过拟合的：
做一件事，最怕的不是做不出来，而是连问题都提不出来，现在既然已经知道了问题，那么又如何解决呢？
在2001年的时候，美国著名统计学家，加州伯克利大学的Leo Breiman提出了随机森林算法：
所谓的森林，就是由多棵决策树组成，那么这些树怎么来的呢？这就是随机算法中的随机一词的来由：
所谓的随机森林算法，就是在你需要计算的数据中，随机选取变量和样本进行决策树生成，生成很多颗树（组成所谓的森林），然后在对分类的结果进行汇总（集成学习）。
随机森林主要解决的就是上面提出的两个关键问题，所以它有如下优势：
随机森林可以很有效的运行在大数据集上面，基本上不会出现因为系统能力不足而导致game over的问题。
在不显著增加计算的同时，有效的提高了预测的精度。
可以有效的处理高维数据，而且不用做特征选择，也不用降维
特别容易适配各种数据，不管是连续数据还是分类数据，不挑食
随机特性的引入，第一不容易陷入过拟合的状态，第二具有良好的抗噪性
（无处不在的班主任，学生的噩梦啊）
它能够评估每个特征的重要性……实际上这个是回归分析的一个重要特性，回归的主要思想之一，就是描述各个自变量对因变量的贡献，随机森林作为分类回归的一种实现，也自然拥有这种特性
可以有效的检测各个特性之间的相关关系。
它很容易实现以及实现成并行计算的模式。
另外随机森林还有很多很多的优势，大家有兴趣的可以去阅读相关的文献。说了这么多，实际上总结起来就是下面几句话：
优势千万条，方便第一条
实现不容易，码农两行泪
正因为随机森林有那么的优势，所以它的使用范围也非常之广，几乎涵盖了所有的分类和回归的领域，你几乎可以把任意结构任意内容的数据都扔进去，他都可以发挥作用，所以被称为机器学习中的多面手。而且他不想SVM那样，有各种复杂的参数需要调整，所以称为机器学习算法中性价比最高的算法之一。
那么这个算法具体的实现过程是怎么样的呢？我们下期继续。
待续未完。