决策树可能会受到高度变异的影响，使得结果对所使用的特定测试数据而言变得脆弱。
根据您的测试数据样本构建多个模型（称为套袋）可以减少这种差异，但是树本身是高度相关的。
随机森林是套袋（方法）的延伸，除了基于多个测试数据样本构建树木之外，它还限制了可用于构建树木的特征，使得树木间具有差异。这反过来可以提升算法的表现。
在本教程中，您将了解如何在Python中从头开始实现随机森林算法。
完成本教程后，您将知道：
套袋决策树和随机森林算法的区别。
如何构造更多方差的袋装决策树。
如何将随机森林算法应用于预测建模问题。
让我们开始吧。
2017年1月更新：将cross_validation_split（）中fold_size的计算更改为始终为整数。修复了Python 3的问题。
2017年2月更新：修复了build_tree中的错误。
2017年8月更新：修正了基尼计算中的一个错误，增加了群组大小（基于迈克尔！）。