Random Forests^®

Breiman 和 cutler 的 random forests

Random Forests^® 建模引擎根据一系列分类和回归树 (CART^®)，对每个 CART 树所进行的预测值进行求和以确定森林的总体预测值，并同时确保决策树之间相互不受影响。

对于不熟悉 Random Forests 的用户来说，Random Forests 是由加州大学伯克利分校的 Leo Breiman 和 Adele Cutler 共同开发的强大集成技术，受到众多预测建模从业者的青睐。该算法看似简单，但可构建数百个独立的树，并利用来自观测值和变量的大量样本。

Random Forests 可以根据现成的数据评估无偏模型性能，有了这个独特功能，就无需单独的检验/验证样本。这使 Random Forests 立即成为广泛数据应用中的顶级预测建模工具，在这些应用中，变量的数量通常会超出可用观测值数量的好多倍。

权责分明

Random Forests 具有一项独特功能，即利用数据集内的每条记录而不会陷入过度拟合危险。这对于小型（就观测值而言）数据集尤其重要，在此类数据集内，每条记录都可能会贡献有价值的内容。Random Forests 将确保模型中考虑了所有记录，并且不丢失任何见解。

强大的变量重要性

Random Forests 利用新颖的技术，根据预测变量的重要性对预测变量进行排名。当数据包含数千、数万甚至数十万变量或预测变量时，此功能非常方便，而这远远超出了传统的回归和分类工具的能力所及。Random Forests 可以处理这种极端情况，并报告要在后续研究中使用的变量。多轮抽样将提高这些见解的稳健性和质量。