詳細解釋
隨機森林（Random Forest）是強大的集成學習算法，結合多棵決策樹的預測，通過Bagging和隨機特徵選擇降低過擬合，是表格數據的首選算法之一。
原理：
- Bagging集成：多棵樹並行訓練
- 自助採樣：每棵樹不同訓練集
- 隨機特徵：每個節點隨機特徵子集
- 投票/平均：整合多樹預測
特點：
- 降低過擬合：相比單棵決策樹
- 處理高維：自動特徵選擇
- 並行：高效訓練
- 穩定：預測方差小
- 無需縮放：對特徵縮放不敏感
優勢：
- 性能強：通常無需調參即好
- 不易過擬合：樹越多越穩定
- 內建驗證：OOB誤差估計
- 特徵重要性：Gini重要性
- 處理缺失：內建缺失值處理
參數：
- n_estimators：樹的數量（通常100+）
- max_depth：樹深度
- min_samples_split：分裂最小樣本
- max_features：特徵子集大小
- 通常默認即好，無需大量調參
應用：
- 分類迴歸：通用算法
- 特徵選擇：重要性排序
- 異常檢測：孤立森林
- 生產系統：穩定可靠
與梯度提升對比：
- 隨機森林：Bagging，並行，穩定
- 梯度提升：Boosting，串行，通常更強
- 各有優勢，可都嘗試
隨機森林是易用且強大的機器學習算法。
亦稱「Balanced Random Forest」。