随机森林算法介绍及R 语言实现随机森林算法介绍算法介绍：简单的说，随机森林就是用随机的方式建立一个森林，森林里面有很多的决策树，并且每棵树之间是没有关联的
得到一个森林后， 当有一个新的样本输入， 森林中的每一棵决策树会分别进行一下判断，进行类别归类（针对分类算法），最后比较一下被判定哪一类最多，就预测该样本为哪一类
随机森林算法有两个主要环节：决策树的生长和投票过程
决策树生长步骤：1
从容量为 N 的原始训练样本数据中采取放回抽样方式(即 bootstrap 取样)随机抽取自助样本集，重复k（树的数目为 k）次形成一个新的训练集N，以此生成一棵分类树；2
每个自助样本集生长为单棵分类树， 该自助样本集是单棵分类树的全部训练数据
设有 M 个输入特征，则在树的每个节点处从M 个特征中随机挑选 m(m < M)个特征，按照节点不纯度最小的原则从这m 个特征中选出一个特征进行分枝生长，然后再分别递归调用上述过程构造各个分枝，直到这棵树能准确地分类训练集或所有属性都已被使用过
在整个森林的生长过程中 m 将保持恒定；3
分类树为了达到低偏差和高差异而要充分生长，使每个节点的不纯度达到最小，不进行通常的剪枝操作
投票过程：随机森林采用 Bagging 方法生成多个决策树分类器
基本思想：1
给定一个弱学习算法和一个训练集，单个弱学习算法准确率不高， 可以视为一个窄领域专家；2
将该学习算法使用多次， 得出预测函数序列， 进行投票， 将多个窄领域专家评估结果汇总，最后结果准确率将大幅提升
随机森林的优点：
可以处理大量的输入变量;
对于很多种资料，可以产生高准确度的分类器;
可以在决定类别时，评估变量的重要性;
在建造森林时，可以在内部对于一般化后的误差产生不偏差的估计;
包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度 ;
