TowardsDataScience作者：AlexanderCheng，现在小编就来说说关于随机森林算法是干什么的?最受欢迎的方法之一是随机森林。我们可以在随机森林上调整超参数来优化模型的性能。但是PCA会进行降维操作，这可以减少随机森林要处理的特征数量，因此PCA可能有助于加快随机森林模型的训练速度。尤其是当你使用数百甚至上千个预测特征时，PCA就变得非常重要。因此，如果只想简单地拥有最佳性能的模型，并且可以牺牲解释特征的重要性，那么PCA可能会很有用。
随机森林算法是干什么的?TowardsDataScience作者：Alexander Cheng，现在小编就来说说关于随机森林算法是干什么的?下面内容希望能帮助到你，我们来一起看看吧!
随机森林算法是干什么的
TowardsDataScience
作者：Alexander Cheng
机器之心编译
参与：高璇、思
到了 2020 年，我们已经能找到很多好玩的机器学习教程。本文则从最流行的随机森林出发，手把手教你构建一个模型，它的完整流程到底是什么样的。
作为数据科学家，我们可以通过很多方法来创建分类模型。最受欢迎的方法之一是随机森林。我们可以在随机森林上调整超参数来优化模型的性能。
在用模型拟合之前，尝试主成分分析（PCA）也是常见的做法。但是，为什么还要增加这一步呢？难道随机森林的目的不是帮助我们更轻松地理解特征重要性吗？
当我们分析随机森林模型的「特征重要性」时，PCA 会使每个「特征」的解释变得更加困难。但是 PCA 会进行降维操作，这可以减少随机森林要处理的特征数量，因此 PCA 可能有助于加快随机森林模型的训练速度。
请注意，计算成本高是随机森林的最大缺点之一（运行模型可能需要很长时间）。尤其是当你使用数百甚至上千个预测特征时，PCA 就变得非常重要。因此，如果只想简单地拥有最佳性能的模型，并且可以牺牲解释特征的重要性，那么 PCA 可能会很有用。
现在让我们举个例子。我们将使用 Scikit-learn 的「乳腺癌」数据集，并创建 3 个模型，比较它们的性能：
1. 随机森林
2. 具有 PCA 降维的随机森林
3. 具有 PCA 降维和超参数调整的随机森林
导入数据
首先，我们加载数据并创建一个 DataFrame。这是 Scikit-learn 预先清理的「toy」数据集，因此我们可以继续快速建模。但是，作为最佳实践，我们应该执行以下操作：
