總結兩條關于random forest的實用經驗。給定數據和問題，對于算法選擇有參考價值。

小樣本劣勢，大樣本優勢

小樣本情況下（1k~100k）： RF相對與經典算法（SVM or Boosting）沒優勢，一般來說效果更差
大樣本情況下（1M+）： 這時候其他算法基本上跑不動了。RF憑借著快速的 training 和 testing，成為唯一能夠實際操作的算法。 這也從一個側面證明了工業界的哲學：數據第一，算法第二
如何針對不同問題，設計使用RF的方法，從而能夠產生海量數據，是一門藝術
2. RF 與 KNN有相似的效果

RF 和 KNN 都可以看成對空間劈分的算法。RF 對空間的劈分是預計算的（在training過程中確定）；而 KNN則是根據 testing sample adaptively劈分空間的。可以將RF視為KNN的一種快速算法。
KNN做不好的問題，RF也做不好

轉自于
https://www.douban.com/note/212245564/

關于Knn和Random Forests的感覺
http://kkx.github.io/

總結

以上是生活随笔為你收集整理的Random Forest 实用经验（转）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。