這篇文章是關于什么的
在本文中，我們將了解隨機森林算法是如何在內部工作的。為了真正理解它，了解一下決策樹分類器可能會有幫助。但這并不完全是必需的。
注意：我們不涉及建模中涉及的預處理或特征工程步驟，只查看當我們使用sklearn的RandomForestClassifier包調用.fit()和.transform()方法時，算法中會發生什么。
隨機森林
隨機森林是一種基于樹的算法。它是多種不同種類的隨機樹的集合。模型的最終值是每棵樹產生的所有預測/估計的平均值。
包
我們將以sklearn的RandomForestClassifier為基礎
sklearn.ensemble.RandomForestClassifier
數據
為了說明這一點，我們將使用下面的訓練數據。
注：年齡、血糖水平、體重、性別、吸煙，... f98、f99都是自變量或特征。
糖尿病(Diabetic)是我們必須預測的y變量/因變量。
內部到底發生了什么
有了這些基本信息，讓我們開始并理解我們將這個訓練集傳遞給算法會發生什么…
步驟1-BootstrApping
一旦我們將訓練數據提供給RandomForestClassifier模型，它（該算法）會隨機選擇一組行。這個過程稱為Bootstrapping。對于我們的示例，假設它選擇m個記錄。
注意- 要選擇的行數可由用戶在超參數- max_samples中提供）
注意- 一行可能被多次選中
步驟2-為子樹選擇特征
現在，RF隨機選擇一個子集的特征/列。為了簡單起見，我們選擇了3個隨機特征。
注意，在你的超參數max_features中你可以控制這個數字，例如下面的代碼
import sklearn.ensemble.RandomForestClassifier
my_rf = RandomForestClassifier(max_features=8)
步驟3-選擇根節點
一旦選擇了3個隨機特征，算法將對m個記錄（從步驟1開始）進行決策樹的拆分，并快速計算度量值。
這個度量可以是gini，也可以是熵。
criterion = 'gini' #( or 'entropy' . default= 'gini’ )
選取基尼/熵值最小的隨機特征作為根節點。
記錄在此節點的最佳拆分點進行拆分。
步驟4-選擇子節點
該算法執行與步驟2和步驟4相同的過程，并選擇另一組3個隨機特征。（3是我們指定的數字-你可以選擇你喜歡的-或者讓算法來選擇最佳數字）
它根據條件（gini/熵），選擇哪個特征將進入下一個節點/子節點，然后在這里進一步分割。
步驟5-進一步拆分并創建子節點
繼續選擇特征（列）以選擇其他子節點
此過程繼續（步驟2、4）選擇隨機特征并拆分節點，直到出現以下任一情況
- a） 已用完要拆分的行數
- b） 拆分后的基尼/熵沒有減少
現在你有了第一個“迷你決策樹”。
使用隨機選擇的行（記錄）和列（特征）創建的第一個迷你決策樹
第6步-創建更多迷你決策樹
算法返回到你的數據并執行步驟1-5以創建第二個“迷你樹”
這是我們使用另一組隨機選擇的行和列創建的第二個迷你樹
第7步-樹成林
一旦達到默認值100棵樹（現在有100棵迷你決策樹），模型就完成了fit()過程。
注意 你可以指定要在超參數中生成的樹的數量（n_estimators）
import sklearn.ensemble.RandomForestClassifier
my_rf = RandomForestClassifier(n_estimators=300)
現在你有一個由隨機創建的迷你樹組成的森林（因此得名Random Forest）
第7步-推理
現在讓我們預測一個看不見的數據集（測試數據集）中的值
為了推斷（通常稱為預測/評分）測試數據，該算法將記錄傳遞到每個迷你樹中。
記錄中的值根據每個節點表示的變量遍歷迷你樹，最終到達一個葉節點。基于該記錄結束的葉節點的值（在訓練期間決定的），該迷你樹被分配一個預測輸出。
類似地，相同的記錄經過所有的100個小決策樹，并且每100個樹都有一個預測輸出。這個記錄的最終預測值是通過對這100棵小樹的簡單投票來計算的。
現在我們有了對單個記錄的預測。
該算法按照相同的過程迭代測試集的所有記錄，并計算總體精度！
迭代獲得測試集每一行的預測的過程，以達到最終的精度。
參考文獻
[1] sklearn’s documentation for RandomForestClassifier ( version : 3.2.4.3.1)
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
