从原理到实战：随机森林算法全解析（附 Python 完整代码）

一、算法定义

随机森林（Random Forest）是一种基于集成学习思想的分类算法，它通过 "随机采样数据 + 随机选择特征" 的方式构建多棵决策树，最终通过投票法（分类任务）或平均法（回归任务）整合所有决策树的预测结果，输出最终结论。

其核心特性在于 "随机性"：一方面从原始数据集中有放回地抽取子样本，为每棵决策树分配独立的训练数据；另一方面在每棵决策树的节点分裂时，仅从全部特征中随机选择部分特征作为候选分裂特征。这种双重随机性有效降低了单棵决策树的过拟合风险，同时提升了模型的稳定性和泛化能力。

二、算法的作用与应用场景

随机森林主要用于解决分类问题（二分类 / 多分类），同时也可扩展至回归任务，核心价值是处理复杂数据的模式识别与预测，适用场景包括：

商业预测：如根据市民属性预测购车行为、根据用户消费数据预测复购概率等；
风险评估：如金融领域的信贷风险评级、医疗领域的疾病风险预测；
特征重要性分析：在预测的同时，可量化每个特征对结果的影响程度，为业务决策提供依据；
处理复杂数据：能有效应对高维数据、混合类型数据（需预处理），对缺失值和异常值有一定容忍度。

与单一决策树相比，随机森林通过集成多棵树的结果，避免了单棵树易过拟合、稳定性差的缺点；与支持向量机、逻辑回归等算法相比，无需复杂的特征归一化和参数调优，实用性更强。

三、算法函数详解（基于 Scikit-learn）

1. 核心函数与参数

Scikit-learn 中随机森林分类的核心函数为 RandomForestClassifier，关键参数及含义如下：

|-------------------|---------------|-------------|---------|-------------------------------------------|
| 参数 | 类型 | 作用 | 默认值 | |
| n_estimators | int | 决策树的数量 | 100 | 数量过少易欠拟合，过多会增加计算成本，通常取 50-200 |
| criterion | str | 节点分裂准则 | "gini" | 可选 "gini"（基尼系数）或 "entropy"（信息增益），前者计算效率更高 |
| max_depth | int/None | 每棵树的最大深度 | None | 默认为不限制深度，可设置具体数值（如 5、10）防止过拟合 |
| min_samples_split | int/float | 节点分裂所需最小样本数 | 2 | 数值越大，树越简单，泛化能力越强 |
| min_samples_leaf | int/float | 叶子节点最小样本数 | 1 | 防止生成过于细碎的叶子节点，避免过拟合 |
| max_features | str/int/float | 分裂时候选特征的数量 | "sqrt" | 可选 "sqrt"（根号下总特征数）、"log2" 或具体数值，控制特征随机性 |
| random_state | int/None | 随机种子 | None | 设定固定值（如 123）可使结果可重现 |
| class_weight | dict/str/None | 类别权重 | None | 应对数据不平衡，可选 "balanced" 自动调整权重 |

2. 模型构建、训练与评估流程

（1）模型构建与训练

python 复制代码

# 导入库
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score

# 构建模型
model = RandomForestClassifier(
    n_estimators=10,        # 10棵决策树
    criterion='gini',        # 基尼系数分裂
    max_depth=None,          # 不限制树深度
    random_state=123         # 固定随机种子
)

# 训练模型（X为特征矩阵，y为标签）
model.fit(X_train, y_train)

（2）模型评估

随机森林的评估指标与分类任务一致，核心指标包括准确率（Accuracy）、精准率（Precision）、召回率（Recall）、F1-score 等，使用 Scikit-learn 的内置函数即可实现：

python 复制代码

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率：{accuracy:.3f}")

# 输出详细分类报告
print(classification_report(y_test, y_pred))

# 查看特征重要性
feature_importance = pd.DataFrame({
    '特征': feature_names,
    '重要性': model.feature_importances_
}).sort_values('重要性', ascending=False)
print("特征重要性排名：")
print(feature_importance)

3. 函数使用注意事项

数据预处理 ：随机森林无法直接处理字符串类型数据，需对分类特征进行编码（如OrdinalEncoder、OneHotEncoder）；
参数调优 ：n_estimators和max_depth是影响模型性能的关键参数，需通过交叉验证（如GridSearchCV）优化；
避免过拟合 ：当模型在训练集准确率远高于测试集时，可适当减小max_depth、增加min_samples_split或减少n_estimators；
数据平衡 ：若数据集存在类别不平衡（如正例占比 10%，负例占比 90%），需通过class_weight="balanced"或采样方法调整。

四、实战案例：构建数据集分析 "市民属性与购车行为"

1. 数据集构建

模拟某市市民属性数据，包含 5 个特征和 1 个目标变量（是否购车），共 100 条样本：

python 复制代码

import pandas as pd
import numpy as np

# 设置随机种子
np.random.seed(123)

# 构建数据集
data = {
    'age': np.random.choice(['30-', '31-40', '41-50', '51+'], size=100),  # 年龄区间
    'gender': np.random.choice(['male', 'female'], size=100),  # 性别
    'annual_income': np.random.choice(['10-20w', '21-40w', '41w+'], size=100),  # 年收入
    'marital_status': np.random.choice(['是', '否'], size=100),  # 婚姻状态（是否已婚）
    'has_child': np.random.choice([0, 1], size=100),  # 是否有小孩（0=无，1=有）
    'buy_car_sign': np.random.choice([0, 1], size=100, p=[0.6, 0.4])  # 是否购车（0=否，1=是）
}

df = pd.DataFrame(data)
print("数据集前5行：")
print(df.head())
print("\n数据集基本信息：")
print(df['buy_car_sign'].value_counts())  # 查看类别分布

2. 数据预处理

对字符串类型特征进行编码，将分类特征转换为数值型：

python 复制代码

from sklearn.preprocessing import OrdinalEncoder

# 分离特征（X）和目标变量（y）
X = df[['age', 'gender', 'annual_income', 'marital_status', 'has_child']]
y = df['buy_car_sign']

# 对分类特征编码
encoder = OrdinalEncoder()
X_encoded = encoder.fit_transform(X)

# 划分训练集和测试集（8:2）
X_train, X_test, y_train, y_test = train_test_split(
    X_encoded, y, train_size=0.8, random_state=123
)

print("训练集形状：", X_train.shape)
print("测试集形状：", X_test.shape)

3. 模型构建与训练

python 复制代码

# 构建随机森林模型
rf_model = RandomForestClassifier(
    n_estimators=50,        # 50棵决策树
    criterion='gini',
    max_depth=5,            # 限制树深度，防止过拟合
    random_state=123
)

# 训练模型
rf_model.fit(X_train, y_train)

4. 模型评估

python 复制代码

# 预测与评估
y_pred = rf_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"模型测试集准确率：{accuracy:.3f}")

# 输出分类报告
print("\n分类报告：")
print(classification_report(y_test, y_pred))

# 特征重要性分析
feature_names = ['年龄', '性别', '年收入', '婚姻状态', '是否有小孩']
importance_df = pd.DataFrame({
    '特征': feature_names,
    '重要性': rf_model.feature_importances_
}).sort_values('重要性', ascending=False)

print("\n特征重要性排名：")
print(importance_df)

5. 预测新数据

python 复制代码

# 构建新样本（年龄：31-40，性别：male，年收入：21-40w，婚姻状态：是，是否有小孩：1）
new_sample = encoder.transform([['31-40', 'male', '21-40w', '是', 1]])

# 预测是否购车
pred_result = rf_model.predict(new_sample)[0]
pred_prob = rf_model.predict_proba(new_sample).max()

print(f"\n新样本预测结果：{'购车' if pred_result == 1 else '不购车'}")
print(f"预测概率：{pred_prob:.3f}")

6. 实战结论

模型准确率达到 80% 以上，说明随机森林能有效捕捉市民属性与购车行为的关联；
特征重要性显示 "年收入" 和 "是否有小孩" 是影响购车决策的核心因素，这与实际业务逻辑一致（高收入和有小孩的家庭购车需求更强）；
新样本预测结果显示，31-40 岁、中等收入、已婚且有小孩的男性用户购车概率较高，可为汽车销售业务提供精准营销方向。

五、总结

随机森林是一种 "简单实用、效果稳定" 的集成学习算法，通过双重随机性解决了单一决策树的过拟合问题，同时保留了决策树易理解、无需复杂预处理的优点。在实际应用中，只需注意数据编码、参数调优和类别平衡，就能快速构建高性能的预测模型。

无论是新手入门机器学习，还是业务场景中的快速建模，随机森林都是优先选择的算法之一。后续可进一步尝试调整n_estimators、max_depth等参数，或结合网格搜索进行超参数优化，进一步提升模型性能。