使用单一决策树的一个弱点，决策树对数据的微小变化非常敏感。构建这个问题的一个方法是构建不止一颗决策树，构建许多树，称之为树集成，
例如在原有的数据集中，我们只改变一个数据，把一个立耳胡须改掉
原有的是耳朵是根节点最佳的特征
改变了之后就是胡须变成了最佳的特征
决策树对数据太过于敏感，
从而产生我不同的分割，从而变成两个完全不同的树
代表算法不是很具有鲁棒性如果训练的不是单一的树，而是一整批不同的树就会得到更准确的预测
树集成就是有多个决策树，当有一个新的样本来的时候，每个树都预测一遍，最后每棵树投片一次，判断新的样本到底是不是猫。
这就是的任何一棵树都不是那么的敏感，因为是投票性质的，这使得整体的算法更加的鲁邦，
但是我们如何得到这些合理但是又不同的树呢？以便让他们投票，下一节将讨论一个统计学技术，成为有放回采样，