传统统计模型太简单，深度学习又看不懂。随机森林刚好卡在中间------能预测，也能解释。
从基础CART讲起，带你掌握随机森林全套建模流程，再往深走六个方向：可解释AI（SHAP）、异常检测（孤立森林）、极值建模（分位数RF）、不确定性量化（BART）、因果推断（因果RF）、空间异质性（地理加权RF）。
学完你会发现，随机森林不只是个预测工具，更是拆解复杂系统的显微镜。
专题一、树模型基石-从决策规则到可解释智能的起点****
1、数据类型与面临问题的识别
2、分类回归树及随机森林的能够解决的问题：预测与可解释性
3、分类回归树模型的构建
4、分类回归树模型推广：装袋树、袋外误差
案例 一： 经典 论文解析，问题类型识别
案例 二： 用 分类回归树预测臭氧浓度
案例 三：装袋树 模型 下 黑臭 水体 的 分类
专题 二、标准随机森林全过程构建稳健、可发表的预测模型
1、随机森林理论
2、数据预处理：缺失值插补、异常值识别以及时间序列的处理
3、随机森林超参数调优
4、分类与回归问题性能评估
案例四 ： 臭氧 浓度 的 随机森林预测
案例五 ： 遥感下 土地利用的随机森林分类
案例六 ： 基于 基因的 患病几率 预测
专题 三、随机森林的 可解释机器学习（XAI）
1、变量重要性与选择方法：置换法及其指标
2、基于博弈论的指标：SHAP，Conditional SHAP，KernelSHAP, DynamicSHAP等
3、对重要性指标误用的讨论
案例七 ： 河道 黑臭的重要影响因素
案例 八： PM10的分区 局部 影响因素
专题 四、异常值处理与分位关联
1、异常值识别的传统方法
2、孤立森林的基本原理
3、孤立森林的实现
4、不同的相关关系：分位数随机森林
案例九 ： 蓝藻 爆发的 异常 点识别
专题五、预测 的不确定性 与 极端值 估计
1、置信区间以及为什么需要置信区间
2、分位数回归的基本原理
3、分位数随机森林
4、树的贝叶斯模型：贝叶斯可加回归树
案例 十： 叶绿素A与 营养物质 极值 相关性
案例 十一：用贝叶斯可加回归树预测 混凝土抗压强度及其 不确定性
专题六、异质性处理效应的随机森林解法
1、因果效应潜在结果框架
2、条件平均处理效应
3、异质性效应估计：因果随机森林
案例十二 ： 禁排 政策 对湖泊 水质不同区域的 因果 分析
专题七、地理加权随机森林 空间异质性 建模
1、空间异质性：空间不是全局同质的
2、地理加权模型基础
3、局部样本构建与自适应带宽的选择
4、地理加权随机森林
案例 十 三 ： PM 10城市 不同 区域 的 效应分析