随机森林实战：为什么它比单棵决策树稳这么多？
决策树最恶心的地方就是过拟合，只要数据稍微有点噪声，树就长得肆无忌惮，导致在测试集上直接崩掉。随机森林（Random Forest）本质上就是用“群体智慧”来对冲单棵树的极端偏差。
下一篇
华为云ModelArts实操：解决模型训练环境配置坑 →
简单来说，它在构建每棵树的时候做了两次随机化：一次是随机抽样样本（Bootstrap），保证每棵树看到的数据不一样；一次是随机选择特征，强制某些树不能用最强的那个特征，从而挖掘出潜在的规律。
在实际跑模型时，我发现调节 n_estimators（树的数量）和 max_features（最大特征数）这两个参数对结果影响最大。如果树的数量太少，集成效应出不来；如果特征选择太宽，每棵树长得太像，反而失去了随机森林的意义。
一个简单的 scikit-learn 实现逻辑：
from sklearn.ensemble import RandomForestClassifier
# 初始化模型，重点关注 n_estimators 和 max_features
rf = RandomForestClassifier(
n_estimators=100,
max_features='sqrt',
random_state=42
)
# 训练模型
rf.fit(X_train, y_train)
# 查看特征重要性，这是随机森林最实用的功能之一
importances = rf.feature_importances_比起复杂的深度学习模型，随机森林这种大模型前时代的经典算法在处理结构化数据时依然高效，而且自带特征重要性分析，能直接告诉我哪个维度在起作用，不需要像黑盒模型那样去猜。
