IBM SPSS Modeler随机森林算法介绍

在之前的文章《Bagging 或Boosting让你的模型更加优化》中，我们介绍了可以通过Bagging或Boosting技术，使得模型更加稳定和准确率更高，那么今天要介绍的随机森林算法，本身的算法逻辑已经使用了Bagging技术，来构建多棵树，最终实现构建“森林”的目的。

首先我们先来了解下这个算法，记住几个要点就可以：

1.在IBM SPSS Modeler中，随机森林构建的每棵树，使用的算法是C&RT，关于C&RT算法的介绍可以参考之前的文章《IBM SPSS Modeler算法系列------C&R Tree算法介绍》；

2.使用Bagging,每构建一棵树，都是通过随机选择样本数据来构建（有放回的）；

3.除了使用Bagging技术，对使用的输入指标，也随机选择。比如说一共有20个输入指标，每选完一次样本数据后，会再随机选择其中的10个指标来构建树。

4.最终的预测结果，会综合前面构建的决策树通过投票的方式得到最终的预测结果，如果是数值型的预测，则是取平均值做为最终的预测结果。

5.在IBM SPSS Modeler中，随机森林算法不仅支持传统的关系型数据库，比如DB2、Oracle、SQL Server等通过ODBC可连接的数据库，也支持Haoop分布式架构的数据，它可以生成MapReduce或者Spark，放到Hadoop平台上去执行，从而提升整个计算效率。

那么接下来，我们来看下在IBM SPSS Modeler的随机森林算法实现客户的流失预测，能给我们呈现出什么样的结果。<