随机森林是一种集成学习（Ensemble Learning） 算法，核心思想是构建多个决策树，通过投票或平均的方式输出结果，以此降低单一决策树过拟合的风险，提升模型的泛化能力。
它在机器学习的分类、回归、特征重要性评估等任务中被广泛应用，是工业界和学术界最常用的算法之一。
一、核心原理："随机" + "森林"
随机森林的 "随机" 体现在两个层面，"森林" 指由多棵决策树组成的集合：
-
样本随机（Bootstrap 抽样）
- 从原始训练集中，通过有放回抽样的方式，为每一棵决策树生成一个独立的训练子集。
- 这样做的目的是让每棵决策树的训练数据存在差异，避免所有树都学习到相同的特征模式，提升模型多样性。
- 未被抽到的样本称为 OOB（Out-of-Bag）样本，可用于无额外验证集的模型评估。
-
特征随机（随机子空间）
- 在构建每一棵决策树的每个节点时，不是从所有特征中选择最优特征进行划分，而是随机选择一部分特征，再从这部分特征中选最优。
- 例如总共有 100 个特征，每棵树的每个节点随机选 10 个特征来划分。
- 这一步能进一步降低树与树之间的相关性，让森林的 "投票" 更有意义。
-
预测规则
- 分类任务 ：所有决策树分别预测类别，最终结果由多数投票决定（得票最多的类别为最终预测）。
- 回归任务 ：所有决策树分别预测数值，最终结果由所有树预测值的平均值决定。
二、优缺点
优点
- 泛化能力强：有效降低过拟合，相比单一决策树，在复杂数据集上表现更稳定。
- 对噪声不敏感：能处理含噪声的数据集，不易受异常值影响。
- 支持高维数据 ：无需特征工程（如降维）也能处理高维数据，同时可输出特征重要性，帮助筛选关键特征。
- 训练并行化：每棵树的训练相互独立，可利用多核 CPU 并行加速，训练效率高。
缺点
- 模型解释性差：决策树本身是 "白盒" 模型，但随机森林由多棵树组成，整体是 "黑盒"，难以直观解释预测逻辑。
- 对小样本数据集效果一般：样本量过小时，Bootstrap 抽样可能导致训练集多样性不足，模型性能下降。
- 内存占用较大：需要存储多棵决策树的结构，数据量大时内存消耗较高。
三、关键超参数（以 Python sklearn 为例）
在使用 sklearn.ensemble.RandomForestClassifier（分类）或 RandomForestRegressor（回归）时，需调整以下核心超参数：
| 超参数 | 作用 | 调优建议 |
|---|---|---|
n_estimators |
决策树的数量 | 通常越大效果越好，但达到一定阈值后性能趋于稳定；太大则会增加训练时间 |
max_depth |
每棵树的最大深度 | 限制树的生长，防止过拟合；值太小会欠拟合，太大则过拟合 |
max_features |
每个节点随机选择的特征数 | 分类任务默认 sqrt(n_features)，回归任务默认 n_features；可手动调整为 log2(n_features) 或具体数值 |
min_samples_split |
节点分裂所需的最小样本数 | 样本数过少时停止分裂，防止过拟合 |
min_samples_leaf |
叶节点所需的最小样本数 | 叶节点样本数过少时合并，提升模型稳定性 |
bootstrap |
是否使用 Bootstrap 抽样 | 默认 True；若设为 False，则所有树都用原始训练集训练 |
python
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
# 1. 读取数据（假设表格已保存为csv）
data = pd.read_csv("电网电信客户流失数据.csv")
X = data.drop("流失状态", axis=1)
y = data["流失状态"]
# 2. 划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y # 保持标签分布
)
# 3. 初始化随机森林模型
rf = RandomForestClassifier(
n_estimators=100, # 100棵树
max_depth=8, # 限制树深度防过拟合
max_features="sqrt", # 特征随机选择
n_jobs=-1, # 并行训练
random_state=42
)
# 4. 训练与预测
rf.fit(X_train, y_train)
y_pred = rf.predict(X_test)
# 5. 模型评估
print("准确率：", accuracy_score(y_test, y_pred))
print("分类报告：\n", classification_report(y_test, y_pred))
# 6. 查看关键流失特征
feature_importance = pd.DataFrame({
"特征": X.columns,
"重要性": rf.feature_importances_
}).sort_values(by="重要性", ascending=False)
print("影响流失的关键特征：\n", feature_importance.head(5))