🔑 名詞卡
隨機森林（Random Forest）
🎯 定義
集成式演算法，透過 Bagging（Bootstrap Aggregating）策略建立多棵決策樹，各在隨機子樣本與隨機特徵子集上訓練，最終以多數決（分類）或平均值（迴歸）產生結果。
重點／應用
- 核心目的：降低變異（Variance），抗過擬合能力強。
- 優點：可處理非線性資料與變數交互作用、可計算特徵重要性、可平行訓練。
- 缺點：屬於黑箱模型，模型體積大、記憶體需求高，預測速度比單棵樹慢。
記憶技巧
「森林比一棵樹更穩：多棵樹各自隨機取樣，投票表決降低單棵樹的偏執」。
易混淆
- vs 梯度提升（Boosting）：隨機森林（Bagging）目標是降低變異；梯度提升（Boosting）目標是降低偏差，兩者集成策略方向不同。
📖 課文原文「隨機森林迴歸（Random Forest Regressor）是一種集成式演算法，透過建立多棵決策樹來進行預測⋯最終預測結果是所有樹的預測值平均值，藉此降低單棵樹容易出現的過擬合問題。」