你做分類題時，會不會覺得只靠一棵決策樹有點像只聽一個人的意見？
你可以把隨機森林想成很多棵樹一起投票，單棵樹可能會看錯，但整體通常更穩。 它的重點是用多個弱一點的判斷器，組成一個比較不容易翻車的模型。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
隨機森林 vs 決策樹 決策樹是一棵樹自己做判斷。 隨機森林是很多棵樹一起投票。 最關鍵的區別：一個單打獨鬥，一個集體決策。
隨機森林 vs 提升算法 隨機森林通常是平行訓練多棵樹，再投票。 提升算法是前一個弱模型修正下一個弱模型的錯誤。 最關鍵的區別：一個平行整合，一個逐步修正。
隨機森林 vs 裝袋法 裝袋法是用自助抽樣把多個模型訓練出來。 隨機森林是在裝袋的基礎上，再加入特徵隨機抽樣。 最關鍵的區別：隨機森林比一般裝袋多了特徵隨機性。
記住這句就好
單棵樹可能偏，很多棵樹一起投票就穩一點。
實際案例
信用風險判斷 金融單位要判斷申請人是否可能違約，隨機森林常能比單棵樹更穩定。 因為它不太容易被單一特徵帶偏。
醫療分類 當你要把病歷特徵分類成不同風險等級時，隨機森林常能提供不錯的基線表現。 對資料表格型任務來說，它常是很實用的起點。
算法與應用
隨機森林會對訓練資料做自助抽樣，讓每棵樹看到不同子集。 在每個分裂節點，它也只看部分特徵，這能增加樹之間的差異。 最後用分類投票或回歸平均得到結果，通常比單棵樹更穩。
情境判斷
Q1（直覺題）： 你要做表格型資料的分類，想要一個穩定基線，先考慮什麼？
→ 先考慮隨機森林，因為它通常比單棵決策樹更穩。
Q2（判斷題）： 如果你很在意模型可解釋性，隨機森林一定比決策樹更適合嗎？
→ 不一定，因為隨機森林通常更難直觀解讀，若你要很清楚的規則，單棵樹反而更好。
常見問題
隨機森林會不會過擬合？
會有機會，但通常比單棵樹不容易過擬合。
它適合影像或文字嗎？
可以用，但在高維、非結構化資料上，深度學習通常更常見。
樹越多越好嗎？
不一定，樹太多會讓訓練和推論變慢，要看效能和成本。