概念卡：随机森林 Random Forest
概念卡：随机森林 Random Forest
一句话定义
随机森林是由多棵决策树组成的集成学习模型。
它解决什么问题
它通过组合多棵树降低单棵树的不稳定性，提高预测表现。
典型使用场景
- 分类和回归预测。
- 非线性关系建模。
- 特征重要性初步分析。
需要知道的关键词
- Decision Tree
- Ensemble
- Bagging
- Feature Importance
- Overfitting
和导师方向的关系
随机森林是大数据和机器学习任务中常用的强基准模型，适合在不知道关系是否线性时先跑通预测流程。
交流时可以怎么说
如果线性模型表现不足，可以用随机森林作为非线性基准模型。
随机森林预测能力较强，但解释性通常不如简单回归模型。
可以追问的问题
- 是否需要更强预测还是更强解释？
- 特征重要性是否稳定？
- 是否做了交叉验证和调参？
给 AI 的提示词
请解释随机森林的直觉、优点、局限和适用场景。要求比较它和逻辑回归，并给 scikit-learn 示例。
我的理解边界
- 已理解：随机森林是多棵树投票或平均。
- 还不确定：树模型调参细节。
- 下次需要补：bagging。