Orange3实战教程：模型---随机森林

随机森林

通过集成多个决策树进行预测。

输入

• 数据：输入数据集
● 预处理器：预处理方法

输出

● 学习器：随机森林学习算法
• 模型：训练好的模型

随机森林是一种集成学习方法，适用于分类、回归等任务。该方法最早由 Tin Kam Ho 提出，后经 Leo Breiman（Breiman, 2001）和 Adele Cutler 进一步完善。

随机森林通过构建多个决策树进行工作。每棵树基于训练数据的自助采样（Bootstrap Sample）生成。在构建单棵树时，每个节点会从随机抽取的属性子集中选择最佳分裂属性（因此称为“随机”）。最终模型通过森林中所有树的多数投票得出结果。

随机森林既可用于分类任务，也可用于回归任务。

1. 指定模型名称：默认名称为“随机森林”。
2. 基础属性：
   ● 树的数量：设置森林中包含的决策树数量。
   ● 每次分裂时考虑的属性数量：设置每个节点随机抽取的属性数量。若未指定（即“属性数量…”选项未勾选），默认值为总属性数的平方根。
   ● 可复现的训练：固定随机种子，确保结果可重复。
   ● 平衡类别分布：按类别频率的倒数调整权重，解决类别不平衡问题。