用于回归的随机森林
能够抵抗过拟合的集成模型
用于回归的随机森林 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
一棵树，许多棵树
单棵树不稳定且容易过拟合。随机森林会生成数百棵树，并将它们融合为一个更稳定的预测结果。🌲🌲
集体的智慧
每棵树都会独立猜测，然后森林对它们取平均值。个别错误会相互抵消，留下更平滑、更可靠的数值。
每棵树使用不同的行
每棵树都使用有放回抽样得到的随机行样本进行训练，这种技巧称为自助采样。因此，每棵树都会拥有略有不同的视角。
每次拆分使用不同的特征
在每次拆分时，树也只会看到随机选取的部分特征。这种随机性可以防止所有树变得千篇一律。
为什么多样性有帮助
多样性正是关键：当树以不同方式产生分歧时，对它们取平均值可以减少单棵树的剧烈波动，从而降低方差。
两行代码训练模型
约定一如既往。创建一个 RandomForestRegressor，对其调用 fit，然后进行预测，无需额外步骤。
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor().fit(X, y)需要多少棵树
n_estimators 设置决定要生成多少棵树。树更多通常会有所帮助，随后效果趋于平稳，但训练速度会变慢。
RandomForestRegressor(n_estimators=300)仍然要控制深度
您也可以用 max_depth 限制每棵树。与许多棵树结合后，森林能够保持准确性，同时不会记住噪声。
RandomForestRegressor(max_depth=8)内置特征重要性
一个实用的额外功能是：森林会报告 feature_importances_，列出哪些输入对其预测影响最大。非常适合帮助您理解数据。
model.feature_importances_强大且宽容
随机森林是出色的默认选择：准确、不易过拟合，而且几乎不需要调优。对于表格数据，它通常是您的第一个强力模型。
能力的代价
代价在于可读性。拥有数百棵树后，您会失去单棵树那条简单易读的路径，因此森林更难解释。
快速检查
是什么让森林胜过单棵树？
回顾
随机森林对许多具有多样性的树取平均值，从而降低方差并抵抗过拟合。对于表格数值数据，它是一个强大且几乎无需调优的默认选择。🎯
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「用于回归的随机森林」课时是免费的吗？
是的 — 「用于回归的随机森林」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「用于回归的随机森林」这节课中我会学到什么？
能够抵抗过拟合的集成模型 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「用于回归的随机森林」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。