1.其他术语概念（前提）
随机森林我们可以理解为多个决策树组成的模型，但是如何组合，组合的方式是什么，我们就得知道集成学习的思想，bootstraping，bagging的概念。
集成学习思想： 集成学习主要的作用是为了解决单个模型在运行时固有的缺陷，从而将多个单个模型组合到一起，取长补短，共同发挥功效。简单的理解人多力量大。随机森林就是这个思想下的产物。这里借用另一个博主的一张图可以更好的理解这个思想。
bootstraping：自助抽样法，从样本中有放有回的随机抽取样本，这样能保证每个样本被抽取的概率都一样。
bagging： boostrap aggregation的缩写，自主抽样集成，袋装法。它是一种根据均匀概率分布从数据集中重复抽样（有放回的）的技术。子训练样本集的大小和原始数据集相同。在构造每一个子分类器的训练样本时，由于是对原始数据集的有放回抽样，因此同一个训练样本集中可能出现多次同一个样本数据。
讲到bagging，还可以拓展下，其实模型的组合方式分两种，分别为1.通过处理训练数据集，2.通过处理输入特征，刚才说的bagging属于前一种。其他类型的可以看下下面这张图。
2.随机森林的基本概念
随机森林其实就是一种特殊的bagging的方法，它的基础模型就是单棵决策树，它利用bootstrap方法生成m个训练集，对每个训练集构造一棵决策树，但是在找分裂结点时，它并不是使用全部特征，而是从所有特征中随机抽取部分特征，所以说每个决策树的分裂结点所使用的特征未必相同。实际上，随机森林同时对数据集，特征都进行了随机采样，所以说是一种特殊的bagging方法。
随机森林将成百上千棵决策树组合在一起，在略微不同的观察集上训练每个决策树，在每棵树中仅考虑有限数量的
特征来拆分节点。随机森林的最终预测是通过平均每棵树的预测来得到的。
随机森林的部分展示图（设定深度为6）
3.随机森林的优缺点
优点：
1、随机抽样和随机抽取特征可以很好地防止过拟合现象；
2、随机抽取特征也可以克服特征维度过高问题；
3、模型结构相对简单；
缺点：
1、对于数据噪音过大的样本集，容易产生过拟合现象
4.sklearn重要参数详解
参数详解：
- criterion: 不纯度衡量指标 entropy(信息熵) / gini(基尼系数)
- max_depth: 最大深度
- min_samples_leaf: 一个结点所包含的最少样本数量，少于它就不会分枝
- max_features: 一个结点包含的最大特征数量，超过会限制个数的特征会被舍弃
- n_estimators: 森林中的树木的数量，一般越大的话，模型效果越好，但要注意过拟合问题。