2）降低了過擬合的可能性，因為決策樹是採用了所有的特徵及樣本，容易出現過擬合（即對訓練樣本有很好的效果，對測試集的效果很差），隨機森林是採用了部分樣本的部分特徵而構造的很多個決策樹（採取的有放回抽樣），特徵和資料在單個決策樹上變少了，降低了過擬合的可能性。
1）計算量相對於決策樹很大，效能開銷很大。
2）可能會導致有些資料集沒有訓練到，但這種機率很小。
隨機森林的優點：
1）可以處理高緯度的資料；
2）訓練之前不需要特意的做特徵選擇；
3）建立很多樹，預防了過擬合風險；
缺點：計算量大，無法做到對實時資料的**
機器學習 決策樹的優缺點
一 決策樹的缺點 1.如果你的邊界很光滑動，決策樹不會很好用。也就是說當你有不連續的例項時，決策樹才表現最好。2.如果有很多不相關的變數，決策樹表現的不好。決策樹的工作是通過找到變數間的相互作用。3.資料框架 樹的每次 都減少了資料集。有意地創造 將會潛在地引進偏差 bias 4.高方差和不穩定性 ...
隨機森林分類和決策樹的對比
matplotlib inline from sklearn.tree import decisiontreeclassifier from sklearn.ensemble import randomforestclassifier from sklearn.datasets import loa...
機器學習中的演算法決策樹與隨機森林
本部落格為唐宇迪老師python資料分析與機器學習實戰課程學習筆記 一.決策樹 1.1 樹模型 決策樹 從根節點開始一步步走到葉子節點 決策 所有的資料最終都會落到葉子節點，既可以做分類也可以做回歸 1.2 樹的組成 1.3 節點 增加節點相當於在資料中切一刀，節點越多越好嗎？1.4 決策樹的訓練與...