概述
决策树通过询问一系列简单的是/否问题（如流程图）来进行预测。随机森林结合了数百棵这样的树并让它们投票，这更加准确和稳健。
决策树和随机森林位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
决策树逐步分割数据：在每个节点，它选择最能分离结果的特征和阈值，然后分支，直到达到叶子的预测。树之所以受欢迎，是因为它们易于阅读；您可以准确追踪做出决定的原因。它们的弱点是过度拟合，即深树会记住噪音并且对新数据的预测很差。随机森林通过在数据的随机子集（一种称为装袋的技术）和每次分割的特征的随机子集上训练许多树来解决这个问题。这些树会犯不同的错误，因此对它们的投票进行平均可以抵消个别错误。其结果是表格数据最可靠、低调整的算法之一，在深度学习之前被广泛使用。
技术洞察
选择每次分割都是为了最大限度地提高“纯度”。分类树最大限度地减少基尼杂质或熵；回归树最小化方差（平方误差）。随机森林添加了两个随机性来源：引导采样（每棵树都会看到一个带有替换的随机样本）和每次分割时的随机特征选择。这使树去相关，因此它们的平均预测的方差比任何单棵树低得多，而不会增加太多偏差。每棵树的引导程序中留下的袋外样本给出了内置的验证估计。
掌握决策树和随机森林
决策树通过询问一系列简单的是/否问题（如流程图）来进行预测。随机森林结合了数百棵这样的树并让它们投票，这更加准确和稳健。决策树和随机森林位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将决策树和随机森林视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用决策树和随机森林的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
信用评分和贷款审批，银行重视清晰、可审计的决策路径。
医疗风险预测，标记哪些患者因素导致诊断或警报。
根据表格帐户和使用数据预测客户流失。
特征重要性分析，对数据集中最重要的变量进行排名。
实施模式
决策树和随机森林的实践
信用评分和贷款审批，银行重视清晰、可审计的决策路径。
信用评分和贷款审批，银行重视清晰、可审计的决策路径 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
决策树和随机森林的实践
医疗风险预测，标记哪些患者因素导致诊断或警报。
医疗风险预测，标记哪些患者因素推动了诊断或警报。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
决策树和随机森林的实践
根据表格帐户和使用数据预测客户流失。
根据表格帐户和使用数据进行客户流失预测 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
决策树和随机森林的实践
特征重要性分析，对数据集中最重要的变量进行排名。
通过特征重要性分析对数据集中最重要的变量进行排名当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录决策树和随机森林在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录决策树和随机森林在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。