优点
1)训练速度快，容易做成并行化方法，训练时树与树之间是相互独立的
2)由于可以随机选择决策树节点划分特征，这样在样本特征维度很高的时候，仍然能高效的训练模型。
3)在训练完后，它能够给出哪些feature比较重要
4)由于采用了随机采样，训练出的模型的方差小，模型泛化能力强。
5)相对于Boosting系列的Adaboost和GBDT， RF实现比较简单。
6)对部分特征缺失不敏感。
缺点
1)在某些噪音比较大的样本集上，RF模型容易陷入过拟合。
2)对缺失值不敏感，如果有很大一部分的特征遗失，仍可以维持准确度
标签： 训练、rf、时树、缺失、特征、面试
猜你感兴趣的圈子：
