影响性能因素：
1）森林中的每个树越茂盛，分类效果就越好。
2）树和树的枝叶穿插越多，分类效果就越差。
随机森林的随机选取：
1）数据的随机选取：从原始的数据集中采取有放回的抽样，构造子数据集。相同或不同子数据集的元素都可以重复。利用子数据集构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。新的数据需要通过随机森林得到分类结果，通过对子决策树的判断结果的投票，得到随机森林的输出结果。
2）待选特征的随机选取：随机森林中子树的每一个分裂过程并没有用到所有的待选特征，仅从所有的待选特征中随机选取一定的特征，再在随机选取的特征中选取最优特征。这样能使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
随机森林优点：
1）具有极高的准确率；
2）可以处理大量的输入变数，并可以评估变数的重要性；
3）随机性的引入，使得随机森林不容易过拟合；
4）随机性的引入，使得随机森林有很好的抗噪声能力；
5）能处理很高维度的数据，并且不用做特征选择；
6）在创建随机森林的时候，对generlizationerror使用的是无偏估计；
7）既能处理离散型数据，也能处理连续型数据，数据集无需规范化；
8）对于不平衡的分类资料集来说，可以平衡误差；
9）训练速度快，可以得到变量重要性排序；
10）容易实现并行化。
随机森林缺点：
1）当随机森林中的决策树个数很多时，训练时需要的空间和时间会较大；
2）随机森林在解决回归问题时并没有像它在分类中表现的那么好，不能够作出超越训练集数据范围的预测，这可能导致在对某些还有特定噪声的数据进行建模时出现过度拟合；
3）随机森林模型还有许多不好解释的地方，有点算是黑盒模型；
随机森林应用前景：
随机森林具有准确度高、抗噪声能力强、不容易过拟合、数据集无需规范化、平衡误差、训练速度快、易实现并行化、应用性强、适用范围广等优点。近年来，随机森林模型在界内的关注度与受欢迎程度有着显著的提升。它可以快速地被应用到几乎任何的数据科学问题中去，从而使人们能够高效快捷地获得第一组基准测试结果。在各种各样的问题中，随机森林一次又一次地展示出令人难以置信的强大，而与此同时它又是如此的方便实用。随机森林算法可被用于很多不同领域，如银行，股票市场，医药和电子商务。在银行领域，用来检测那些比普通人更高频率使用银行服务的客户，并及时偿还他们的债务。也会被用来检测那些想诈骗银行的客户。在金融领域，可用于预测未来股票的趋势。在医疗保健领域，可用于识别药品成分的正确组合，分析患者的病史以识别疾病。在电子商务领域中，随机森林可以被用来确定客户是否真的喜欢某个产品。
结语：
随机森林是一种多功能的机器学习算法，能够执行回归和分类的任务。随机森林用随机的方式建立一个森林，森林里面有很多的决策树组成，可以将几个低效模型（决策树）整合为一个高效模型（随机森林）。它主要解决了决策树泛化能力弱的缺点。同时，随机森林也实现了数据降维，是处理缺失值、异常值或其他数据的重要手段，并取得了不错成效。随机森林是人工智能之机器学习中最近比较火的算法，具有准确度高、抗噪声强、速度快、并行化、适用广等优点，在实际应用中，随机森林算法性能表现得非常强大和实用，因此在业界受到高度关注和欢迎，其应用前景非常广泛和深远。
