随机森林回归算法原理

随机森林回归模型由多棵回归树构成，且森林中的每一棵决策树之间没有关联，模型的最终输出由森林中的每一棵决策树共同决定。
随机森林的随机性体现在两个方面：
1、样本的随机性，从训练集中随机抽取一定数量的样本，作为每颗回归树的根节点样本；

2、特征的随机性，在建立每颗回归树时，随机抽取一定数量的候选特征，从中选择最合适的特征作为分裂节点。
算法原理如下：
（a）从训练样本集S中随机的抽取m个样本点，得到一个新的S1…Sn个子训练集;

（b）用子训练集，训练一个CART回归树(决策树)，这里在训练的过程中，对每个节点的切分规则是先从所有特征中随机的选择k个特征，然后在从这k个特征中选择最优的切分点在做左右子树的划分。(这里的得到决策树都是二叉树)

（c）通过第二步，可以生成很多个CART回归树模型。

（d）每一个CART回归树最终的预测结果为该样本点所到叶节点的均值。

（e）随机森林最终的预测结果为所有CART回归树预测结果的均值。

随机森林建立回归树的特点：采样与完全分裂

首先是两个随机采样的过程，随机森林对输入的数据要进行行(样本)、列(特征)的采样。对于样本采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。

假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现过拟合over-fitting。

然后进行特征采样，从M个Features中，选择m个(m << M)。之后就是对采样之后的数据使用完全分裂的方式建立出回归树

一般情况下，回归树算法都一个重要的步骤 – 剪枝，但是在随机森林思想里不这样干，由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现over-fitting。

每一棵回归树就是一个精通于某一个窄领域的专家（因为我们从M个feature中选择m让每一棵回归树进行学习），这样在随机森林中就有了很多个精通不同领域的专家，

对一个新的问题（新的输入数据），可以用不同的角度去看待它，最终由各个专家得出自己的结果，最后将得到结果取均值即可。

随机森林的基学习器并不是弱学习器而是强学习器，是有很高深度的强决策树组成的。

CART回归树

CART回归树，采用的原则是最小均方差(MSE)。即对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点。表达式为：

其中：c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。
CART回归树的预测是根据叶子结点的均值，因此随机森林的预测是所有树的预测值的平均值。