简单理解

故事案例：

小星准备到杭州游玩，由于时间有限只能挑选1个景点游玩，于是他打算问问几个在杭州的朋友的意见，来决定最终游玩的景点。最后，小星选择了被朋友们推荐次数最多的景点。

解读理解：小星想要决定该游玩的景点，这需要「决策」或者「算法」。小星的办法（决策算法）是：通过朋友们帮他决策，每一个朋友的推荐都是一个决策树，不管他们用了什么办法，最终得到一个结果（推荐的景点）。这些朋友们的决策树放在一起，看上去就像是一个森林，谓之：随机森林（决策森林）。

如下图所示，可能有的朋友推荐了红色（河坊街），有的朋友推荐了绿色（西湖），由于最终绿色（西湖）的得票数最多，因此小星最终决定去游玩西湖。

从上面的景点推荐的故事案例再举一反三，推而广之：

以上的介绍只是为了以最简单的方法理解「随机森林」这个概念。对于比较复杂的事情（数据量大，特征属性多，不太容易归类的场景），比如医院里大量的病人数据，是不是可以通过大数据分析进行归类总结，甚至预测疾病呢？其实是可以的。

病人数据中，除了有大量的病人（行），每个病人又都有很多的特征属性（列），这些特征属性哪些会影响最终的结果（是否有某方面的疾病），很难通过人工分析。这个时候就可以使用随机森林算法。

这里对随机森林的算法概念再整理收集了一些，方便理解：

多棵决策树组成森林
多棵树，也是随机森林中“森林”二字之由来！
多棵树同时进行判断，并以少数服从多数的方式输出最后结果，以此提高准确度！
民主的投票表决比独裁的判断，犯错的概率要小很多！
每棵树训练的时候，随机有放回地取全部数据的一部分进行学习。
每棵树之所以学习一部分而非全部的数据，是为了防止学习数据相同导致所有树的判断结果类似，而这将失去民主投票的意义！此亦是“随机”二字之由来！
每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个feature中选择m让每一棵决策树进行学习），这样在随机森林中就有了很多个精通不同领域的专家，对一个新的问题（新的输入数据），可以用不同的角度去看待它，最终由各个专家，投票得到结果。
随机森林的效果取决于多个分类树要相互独立

正式概念

随机森林（Random Forest，简称RF），专业术语及算法过程，网上自行搜索，此处略。

延展：随机森林（random forest）是一种利用多个分类树对数据进行判别与分类的方法，它在对数据进行分类的同时，还可以给出各个变量（基因）的重要性评分，评估各个变量在分类中所起的作用。

倒推能力，举例：女性找对象倒推其看中的特点，发病关联的维度。

例如这篇文章里，有介绍如何反推找出女性更关注异性的哪些特征：随机森林通俗演义，有一定参考意义。

再延展：随机森林算法适合跨领域的数据分析及应用，例如不需要医学专业的可以通过大数据分析发病，不需要安全专业的可以分析恶意病毒。

应用场景非常广泛。

疾病判断工程：疾病易感性，提前发现心脏病高发人群，……
统计客户来源，保留和流失
利用某一个人的年龄（Age）、性别（Gender）、教育情况（Highest Educational Qualification）、工作领域（Industry）以及住宅地（Residence）共5个字段来预测他的收入层次。
其他跨学科的大数据分析，多维度特征属性的数据分析

能够处理很高维度（feature很多）的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化
两个随机性的引入，使得随机森林具有很好的抗噪声能力
在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合
训练速度快，可以得到变量重要性排序
在训练过程中，能够检测到feature间的互相影响
容易做成并行化方法
实现比较简单
随机森林（random forest）是一种利用多个分类树对数据进行判别与分类的方法，它在对数据进行分类的同时，还可以给出各个变量（基因）的重要性评分，评估各个变量在分类中所起的作用。
随机森林算法得到的随机森林中的每一棵都是很弱的，但是大家组合起来就很厉害了。
随机森林非常稳定，即使数据集中出现了一个新的数据点，整个算法也不会受到过多影响，它只会影响到一颗决策树，很难对所有决策树产生影响。
随机森林预测精度高，泛化能力强，原理易于理解且易于并行计算，因此深受广大用户喜爱！