决策树和随机林的主要区别在于，决策树是一个使用分支方法来说明决策的每个可能结果的图，而随机林是一组基于其所有决策树的输出给出最终结果的决策树。

机器学习是人工智能的一种应用，它赋予系统在过去经验的基础上学习和改进的能力。决策树和随机林是机器学习中的两种技术。决策树映射了一系列相关选择的可能结果。它之所以流行是因为它简单易懂。当数据集变得更大时，单一的决策树不足以找到预测。随机林是决策树的集合，可以替代这个问题。随机林的输出基于其所有决策树的输出。

覆盖的关键领域

1.什么是决策树–定义、功能、示例2.什么是随机林–定义、功能、示例3.决策树和随机林之间的差异–关键差异比较

关键术语

决策树，机器学习，随机森林

什么是决策树(decision tree)？

决策树是一种树形图，用于确定行动方案。树的每个分支代表一个可能的决定、事件或反应。

有几个术语与决策树相关。熵是数据集中不可预测性的度量。在分割数据集后，熵水平随着不可预测性的降低而降低。信息增益是在吐出数据集后熵的减少。以这样一种信息增益更高的方式分割数据是很重要的。最终的决策或分类称为叶节点。最顶层或主节点称为根节点。数据集应该被分割，直到最终的熵变为零。

一个简单的决策树如下所示。

Figure 1: Decision Tree

上面的决策树对一组水果进行分类。有4颗葡萄，2个苹果和2个桔子。当直径小于5时，葡萄被分成一边，而橘子和苹果被分成另一边。葡萄不能进一步分类，因为它的熵为零。当根据颜色分类时，即水果红与否，苹果被分类为一边，而橘子被分类为另一边。因此，该决策树对苹果、葡萄或橙子的分类准确率为100%。

总的来说，决策树很容易理解，更容易解释和可视化。它不需要大量的数据准备。它可以处理数字和分类数据。另一方面，数据中的噪声会导致过度拟合。此外，模型也会因微小的变化而变得不稳定。

什么是随机森林(random forest)？

随机森林是一种在训练阶段构造多个决策树的方法。大多数树的决定是随机森林的最终决定。下面是一个简单的例子。

假设有一套水果（樱桃、苹果和橙子）。下面是对这三种水果类型进行分类的三个决策树。

Figure 2: Decision tree 1

Figure 3: Decision Tree 2

Figure 4: Decision Tree 3

给出了一个新的直径为3的果实模型。这种水果是橙色的，夏天生长。第一个决策树将其分类为橙色。第二个决策树将其分类为樱桃，而第三个决策树将其分类为橙色。当考虑所有三棵树时，橙色有两个输出。因此，随机林的最终输出是一个橙色。

总的来说，随机林在更大的数据集上提供了准确的结果。它还降低了过度装配的风险。

决策树(decision tree)和随机森林(random forest)的区别

定义

决策树是一种决策支持工具，它使用决策及其可能后果（包括偶然事件结果、资源成本和效用）的树状图或模型。随机森林是一种集成学习方法，通过在训练时构造多个决策树，并根据每个决策树输出类。

过度装配

决策树中存在过度拟合的可能性。在随机林中使用多棵树可以降低过度拟合的风险。

精确

随机林比决策树给出更准确的结果。

复杂性

决策树比随机林更简单、更容易理解、解释和可视化，而随机林相对来说更复杂。

结论

决策树和随机林的区别在于，决策树是一个使用分支方法来说明决策的每个可能结果的图，而随机林是一组基于其所有决策树的输出给出最终结果的决策树。

引用

1.随机森林算法-随机森林解释|机器学习中的随机森林，SimpleArn，2018年3月12日，可在此处获得。