Machine learning

随机森林

随机森林（Random Forest）是Leo Breiman于2001年提出的一种集成学习方法，它通过对数据的自助采样（bootstrap samples）生成多棵决策树，并结合它们的投票结果来产生强大的分类和回归能力。通过汇集许多略有不同的树，它比任何单一的树都能产生更准确、更稳定的预测。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

随机森林

决策树逻辑回归支持向量机（分类）XGBoost 主动学习决策树主动学习梯度提升主动学习 LightGBM 主动学习线性回归主动学习逻辑回归主动学习支持向量机

+127 more

来源

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7

如何引用本页

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/zh/machine-learning/random-forest

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

被引用于

主动学习决策树主动学习梯度提升主动学习 LightGBM 主动学习线性回归主动学习逻辑回归主动学习支持向量机 AdaBoost 注意力机制 Bagging（Bootstrap Aggregating）装袋集成贝叶斯装袋法贝叶斯决策树贝叶斯 k-近邻算法贝叶斯 LightGBM 贝叶斯随机森林贝叶斯XGBoost BERT微调双向循环神经网络 Boosting 胶囊网络 CatBoost 卷积神经网络图像分类卷积神经网络（分类）DBSCAN 决策树深度强化学习 DeepAR 数字土壤填绘 Dilated CNN 双重机器学习弹性网络 (Elastic Net)集成主动学习集成先验算法 (Ensemble Apriori Algorithm)集成决策树集成高斯混合模型集成高斯过程集成梯度提升集成孤立森林集成 K-近邻算法集成线性回归集成逻辑回归集成度量学习集成朴素贝叶斯 Ensemble Online Learning 集成自监督学习集成支持向量机集成迁移学习可解释决策树可解释的极限随机树可解释梯度提升可解释K-Means 可解释 K-近邻算法可解释 LightGBM 可解释多层感知机可解释朴素贝叶斯可解释随机森林可解释堆叠集成可解释XGBoost 极端随机树 (Extra Trees)高斯过程地理加权随机森林 GPT模型微调梯度提升（Gradient Boosting）图注意力网络图神经网络门控循环单元 (GRU)Informer 孤立森林 (Isolation Forest)K-Means聚类 K-Nearest Neighbors 知识蒸馏标签传播 LightGBM LIME：局部可解释模型无关解释线性判别分析 (LDA)线性回归 (ML)逻辑回归（机器学习）长格式Transformer / BigBird LoRA 和 PEFT 长短期记忆网络机器学习辅助表观基因组关联研究 (ML-EWAS)机器学习辅助全基因组关联分析机器学习辅助的代谢组学分析机器学习辅助的微生物组多样性分析机器学习辅助通路富集分析机器学习辅助RNA测序差异表达分析多数表决专家混合模型多层感知机 (MLP)多层感知机 (MLP)多元逻辑回归 N-BEATS N-HiTS 朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的神经架构搜索 Neural ODE 在线Bagging 在线随机森林 PatchTST 基于像素的图像分类正则化决策树正则化随机森林正则化堆叠集成稳健自举聚合鲁棒决策树鲁棒梯度提升鲁棒LightGBM 鲁棒随机森林鲁棒堆叠集成鲁棒投票集成多头自注意力机制自监督决策树自监督梯度提升 (Self-supervised Gradient Boosting)自监督随机森林自监督堆叠集成半监督 Bagging 半监督决策树半监督FP-growth 半监督隔离森林半监督随机森林半监督堆叠集成半监督支持向量机半监督XGBoost 序列到序列模型 SHAP (SHapley Additive exPlanations)堆叠法随机梯度下降 (SGD)支持向量机（分类）Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer 视觉对比学习投票集成 (Voting Ensemble)XGBoost

发现本页有问题？报告或提出修改建议 →

阅读完整方法

Method map

来源

如何引用本页

相关方法

Which method?

被引用于