随机森林能够用来获取数据的主要特征，进行分类、回归任务。

根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类，即个体学习器之间存在强依赖关系，必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系，可同时生成的并行化方法；前者的代表是Boosting，后者的代表是Bagging。

随机森林在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择（即引入随机特征选择）。

简单来说，随机森林就是对决策树的Bagging集成。

特点： 1、随机选择样本（放回抽样）； 2、随机选择特征； 3、构建决策树； 4、随机森林投票（平均）。

举例：

比如预测salary，就是构建多个决策树job，age，house，然后根据要预测的量的各个特征（job = teacher，age = 39，house = suburb）分别在对应决策树的目标值概率（ P ( s a l a r y < 5000 ∣ j o b = t e a c h e r ) P(salary