Schauen wir uns die Besonderheiten des Random Forest an:

1. Keine Datenvorbereitung erforderlich.
   Da Random Forest eine Ansammlung von Entscheidungsbäumen ist, ist die Vorverarbeitung, die für Random Forest benötigt wird, dieselbe wie für Entscheidungsbäume, was sehr wenig ist;

2. Bietet Feature-Wichtigkeiten.
   Genau wie der Entscheidungsbaum bietet auch Random Forest Feature-Wichtigkeiten, auf die Sie mit dem Attribut .feature_importances_ zugreifen können;

3. Random Forest ist relativ langsam.
   Da Random Forest während des Trainings viele Entscheidungsbäume (standardmäßig 100) trainiert, kann es bei großen Datensätzen ziemlich langsam werden . Und um eine Vorhersage zu treffen, muss eine neue Instanz auch durch alle Bäume laufen, sodass Vorhersagen auch langsam werden können, wenn viele Bäume verwendet werden ;

4. Bewältigt Datensätze mit vielen Merkmalen gut .
   Dank der Merkmalssampling leidet die Trainingszeit von Random Forest nicht stark unter einer großen Anzahl von Merkmalen . Außerdem kann das Modell nutzlose Merkmale leicht ignorieren, da an jedem Entscheidungsnode ein besseres Merkmal ausgewählt wird. So verschlechtern nutzlose Merkmale das Modell nicht , es sei denn, es gibt zu viele davon;

5. Geeignet für komplexe Aufgaben .
   Ein Entscheidungsbaum kann komplexe Entscheidungsgrenzen erstellen, aber sie sind nicht glatt und neigen sehr dazu, zu überanpassen. Im Gegensatz dazu produziert Random Forest glattere Entscheidungsgrenzen , die besser generalisieren, sodass Random Forest viel weniger wahrscheinlich überanpasst . Und im Gegensatz zu einem einzelnen Entscheidungsbaum ist Random Forest stabil , was bedeutet, dass es sich nicht drastisch mit geringfügigen Änderungen am Datensatz oder an den Hyperparametern ändert.

Und hier ist eine kleine Zusammenfassung: