隨機森林回歸算法是決策樹回歸的組合算法，將許多回歸決策樹組合到一起，以降低過擬合的風險。隨機森林可以處理名詞型特征，不需要進行特征縮放處理。隨機森林并行訓練許多決策樹模型，對每個決策樹的預測結果進行合并可以降低預測的變化范圍，進而改善測試集上的預測性能。

算法思想

隨機森林是決策樹的組合，將許多決策樹聯合到一起，以降低過擬合的風險。

隨機森林在以決策樹為機器學習構建 Bagging 集成的基礎上，進一步在決策樹的訓練過程中引入了隨機屬性選擇。具體來講，傳統決策樹在選擇劃分屬性時， 在當前節點的屬性集合（ 假設有 d 個屬性） 中選擇一個最優屬性；而在隨機森林中，對基決策樹的每個節點，先從該節點的屬性集合中隨機選擇一個包含 k 個屬性的子集，然后再從這個子集中選擇一個最優屬性用于劃分。 這里的參數 k 控制了隨機性的引入程度。若令 k=d ，則基決策樹的構建與傳統決策樹相同；若令 k=1 ，則是隨機選擇一個屬性用于劃分。

隨機森林回歸的過程如下：

?對訓練集進行有放回隨機抽樣以獲得p個樣本形成訓練集的一個子集作為新的訓練集；

?當每個樣本有K個屬性時，在決策樹的每個節點需要分裂時，隨機從這K個屬性中選取出k個屬性，滿足條件k<K。然后從這k個屬性中采用方差來選擇一個屬性作為該節點的分裂屬性；

?決策樹形成過程中每個節點都要按照步驟2來分裂。一直到不能夠再分裂為止,利用該子集訓練一棵決策樹，并且不對這個決策樹進行剪枝；

?按照步驟1~3建立大量的決策樹，直至訓練出m個決策樹；

?把測試樣本給每棵決策樹進行回歸預測，統計所有決策樹對同一樣本的預測結果，所有的結果的平均值作為最終預測值。

隨機森林算法的很好的利用隨機性（包括隨機生成子樣本集，隨機選擇子特征），最小化了各棵樹之間的相關性，提高了整體的性能。

數據格式

?必須設置類屬性（輸出），且類屬性（輸出）必須是連續型（數值）；

?非類屬性（輸入）可以是連續型（數值）也可以是離散型（名詞）；

參數說明

結果說明

生成的決策樹

最后一列屬性“prediction”為回歸預測列。

構建如下流程：

【文件輸入】節點配置如下：

【設置角色】節點配置如下：

【隨機森林回歸】節點配置如下：

流程運行結果如下：

美林數據——釋放數據潛能，激發企業活力

為你帶來前沿最新大數據資訊

歡迎關注與評論！