总第114篇
前言
随机森林（RandomForest,简称RF）是集成学习bagging的一种代表模型，随机森林模型正如他表面意思，是由若干颗树随机组成一片森林，这里的树就是决策树。
在GBDT篇我们说了GBDT和Adaboost的不同，那么RF和GBDT又有什么异同呢？主要有以下两点：
模型迭代方式不同，GBDT是boosting模型，RF是bagging模型。
GBDT只能使用CART模型，RF默认是CART模型，也可以选择ID3模型。
参数同样也分为两部分，一部分是框架提升部分的参数，另一部分是决策树参数。
参数
class sklearn.ensemble.RandomForestClassifier（
n_estimators=10, criterion='gini', max_depth=None,
min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0,
max_features='auto', max_leaf_nodes=None, min_impurity_decrease=0.0,
min_impurity_split=None, bootstrap=True, oob_score=False, n_jobs=1,
random_state=None, verbose=0, warm_start=False, class_weight=None)
因随机森林中的树是决策树，所以关于决策树的大部分参数与前面决策树模型中的参数意思一致，这里就不再赘述，可查看：Sklearn参数详解--决策树
n_estimators:随机森林中树的棵树，默认是10棵。
criterion:样本集切分策略，默认是gini指数，此时树模型为CART模型，当值选为信息增益的时候，模型就成了ID3模型，默认为CART模型。
bootstrap:是统计学中的一种重采样技术，可以简单理解成是有放回地抽样，默认是True,即采取有放回抽样这种策略，这不就是bagging的思想么。
oob_score:袋外估计(out-of-bag)，这个外是针对于bagging这个袋子而言的，我们知道，bagging采取的随机抽样的方式去建立树模型，那么那些未被抽取到的样本集，也就是未参与建立树模型的数据集就是袋外数据集，我们就可以用这部分数据集去验证模型效果，默认值为False。
对象/属性
estimators_：打印输出随机森林中所有的树。
classes_：输出样本集的类别。
n_classes_：输出类别数量。
n_features_：特征数量。
n_outputs_：当模型被fit时的输出维度。看看下图来感受一些这个属性。
feature_importances_：特征重要性。
oob_score_：袋外估计准确率得分，必须是oob_score参数选择True的时候才可用。
oob_decision_function_：袋外估计对应的决策函数。
方法
apply(X)：将训练好的模型应用在数据集X上，并返回数据集X对应的叶指数。
decision_function(X):返回决策函数值（比如svm中的决策距离）
fit(X,Y):在数据集（X,Y）上训练模型。
get_parms():获取模型参数
predict(X):预测数据集X的结果。
predict_log_proba(X):预测数据集X的对数概率。
predict_proba(X):预测数据集X的概率值。
score(X,Y):输出数据集（X,Y）在模型上的准确率。