随机森里名字听起来很厉害，实际上就是由多个决策树构成，同时决策树之间是没有关联的，主要的分析过程就是，利用多个决策树分别对输入数据进行处理，每棵树都得到自己的结果，然后哪个结果多，就把它作为随机森林的最终结果。

接下来我们来讨论一下怎么构建随机森林，主要就是怎么构建决策树，其实基本过程和构建一棵决策树是接近的，不同的地方有几点：第一，构建每棵决策树所用到的数据（样本），是通过有放回抽样从原始样本集合中抽取的，所以每个决策树的训练数据都不同；第二，对一个节点进行特征选择的时候，并不是考虑所有的特征，而是只是随机从M个特征中选择N个（N远小于M）。个人觉得，这两个不同点，目的都是让不同的决策树差异大一点，不然大家都用同样的数据，进行同样的特征选择，那么最后生成的决策树当然是一样的。

那么，为什么生成多个不同的决策树，集合在一起构成随机森林，会比单个决策树更好呢，这涉及到集成学习的思想，不同的决策树可以认为是重点分析某些特征，从不同的角度出发分析问题，最后结合多个决策树，推导出结果，就可以认为这个分析过程更全面合理。其实在深度学习中，这种方法更常见，比如CNN构建多个通道，不同通道学习不同特征，最后结合起来做推断，比如transformer中的multi-head attention，为什么head要multi，还是为了提取不同特征进行综合分析。

总的来说，随机森林的优点首先就是实现简单，训练速度快，相比单个决策树没那么容易过拟合，还可以判断出不同特征之间的相互影响，判断特征的重要程度，当然缺点还是有的，有实验证明随机森林在某些噪声较大的分类或回归问题回过拟合。