机器学习_分类_随机森林
它也是最常用的算法之一，随机森林建立了多个决策树，并将它们合并在一起以获得更准确和稳定的预测。随机森林的一大优势在于它既可用于分类，也可用于回归问题
随机森林的主要限制在于使用大量的树会使算法变得很慢，并且无法做到实时预测。一般而言，这些算法训练速度很快，预测十分缓慢。越准确的预测需要越多的树，这将导致模型越慢。在大多数现实世界的应用中，随机森林算法已经足够快，但肯定会遇到实时性要求很高的情况，那就只能首选其他方法。
随机森林和Adaboost，以及区别：
bagging 随机森林，不同的分类器是通过串行训练而获得的，每个新分 类器都根据已训练出的分类器的性能来进行训练 分类器权重相等.
boost ：— §是通过集中关注被已有分类器错分的那些数据来获得新的分类器。 匕0081丨明分类的结果是基于所有分类器的加权求和结果的，分类器权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度
说一下GBDT和Adaboost，以及区别
Bagging 决策树 = 随机森林
2）AdaBoost 决策树 = 提升树
3）Gradient Boosting 决策树 = GBDT
