随机森林（Random forest,RF）的生成方法以及优缺点

       随机森林（Random Forest）是属于集成学习的一种组合分类算法（确切说是属于bagging），集成学习的核心思想就是将若干个弱（基）分类器组合起来，得到一个分类性能显著优越的强分类器。如果各弱分类器之前没有强依赖关系、可并行生成，就可以使用随机森林算法。 

  随机森林利用自主抽样法（bootstrap）从原数据集中有放回地抽取多个样本，对抽取的样本先用弱分类器—决策树进行训练，然后把这些决策树组合在一起，通过投票得出最终的分类或预测结果。

随机森林的生成方法

1. 从样本集中通过重采样的方式产生n个样本。
2. 建设样本特征数目为a，对n个样本选择a中的k个特征，用建立决策树的方式获得最佳分割点。
3. 重复m次，产生m棵决策树。
4. 多数投票机制进行预测。

随机森林中的随机是什么意思？

     随机森林中的随机性主要体现在两个方面：

1. 随机采样：随机森林在计算每棵树时，从全部训练样本（样本数为n）中选取一个可能有重复的、大小同样为n的数据集进行训练（即booststrap采样）。
2. 特征选取的随机性：在每个节点随机选取所有特征的一个子集