根据下列算法而建造每棵树：

1、M代表变量数，N代表例子数

2、用小m来进行判断。并且m<M

3、多次可重复地从N中抽取例子，然后训练它们，并用其来预测类别，进行误差分析

4、在M中选m个变量，计算最佳分割方式

5、使决策树正常地生长。这样可以在完成生长后对所有情况进行逐一讨论[6]

随机森林算法内在的随机性让人感觉算法的好坏全靠运气。然而，通过对多棵几乎是随机创

建的决策树的预测结果取均值，就能降低预测结果的不一致性。我们用方差来表示这种不一致。

方差是由训练集的变化引起的。决策树这类方差大的算法极易受到训练集变化的影响，从而

产生过拟合问题。对比来说，偏误（bias）是由算法中的假设引起的，而与数据集没有关系。比如，算法错误地假定所有特征呈正态分布，就会导致较高的误差。通过分析分类器的数据模型和实际数据集的匹配情况，就能降低偏误问题的负面影响。

对随机森林中大量决策树的预测结果取均值，能有效降低方差，这样得到的预测模型的总体 正确率更高。

一般而言，决策树集成做出了如下假设：预测过程的误差具有随机性，且因分类器而异。因 此，使用由多个模型得到的预测结果的均值，能够消除随机误差的影响——只保留正确的预测结果。

随机森林的优点有:文献综述

1、通过随机森林构造区分事物的准则。这会使得进行预测时准确率很高

2、可处理的数据容量大

3、因为遵循单一变量的原则。所以它在预测的时候能够了解到哪个变量的影响力大

4、对误差的分析很到位

5、即使数据丢失了一部分，预测的准确度仍能保持很高

6、能有效平衡误差

7、计算亲近度很有效

8、学习过程是很快速的。

缺点是：

1、随机森林已经被证明在某些领域会过拟

2、如果过多给数据分层次。这可能会加大误差。降低预测结果的可信度