随机森林算法是一种并行性比较好的算法规则，，和前面的决策树归纳的过程类似，随机森林是一个构造决策树的过程，只是它不是要构造一棵树，而是构造许多棵树。

在决策树的构造中会遇到过拟和欠拟的问题，在随机森林算法中，通常在一棵树上是不会追求及其精确的拟合的，而相反，希望的是决策树的简洁和计算的快速。

步骤和原则如下。

（1）随机挑选一个字段构造树的第一层。

（2）随机挑选一个字段构造树的第二层。

……

（3）随机挑选一个字段构造树的第n层。

（4）在本棵树建造完毕后，还需要照这种方式建造m棵决策树。

补充原则如下。

• 树的层级通常比较浅。

• 每棵树的分类都不能保证分类精度很高。

• 一个样本进行分类时同时对这m棵决策树做分类概率判断。

人们会为一个训练集构造若干棵决策树，通常可能是几十甚至上百棵，具体会根据样本属性的数量和杂乱程度来决定。当有新样本需要进行分类时，同时把这个样本给这几棵树，然后用类似民主投票表决的方式来决定新样本应该归属于哪类，哪一类“得票多”就归为哪一类。

算法实现

from sklearn.ensemble import RandomForestClassifier
X=[[25,181,12,0],[23,172,12,2],
  [21,172,34,2],[23,177,22,1],
  [18,181,18,0],[21,182,23,1],
  [23,189,21,2],[33,175,30,2]]
# 年龄，身高，年薪，学历（0大专，1本科，2硕士）
Y=[0,1,1,0,1,0,0,1]
# 相亲 0没有，1有
clf=RandomForestClassifier()
clf.fit(X,Y)
test=[[18,186,12,1]]
prediction=clf.predict(test)
print(prediction)

[0]