随机森林算法是由多棵决策树作为基学习器，利用Bagging生成不同的训练集，在单棵树的训练过程中引入随机属性选择，训练多次，得到多棵不同的决策树，将这些树组合成随机森林分类器。在分类时通过投票或取平均决定未知样本的类别。随机森林的构建过程见图1[11]。

    随机森林的构建过程中关键步骤包括：随机生成训练集、生成多棵决策树、通过投票实现算法。随机森林算法的步骤描述如下：

    ①从数据集中利用bootstrap抽样法有放回地随机抽样，选取每棵树的训练样本集。初始训练集中，有些数据重复出现，有些从未出现。在训练过程中，每次抽样约有63.2%的样本被抽中，作为自助样本集，用来作为训练数据构建一棵决策树；剩余的36.8%的样本称为袋外数据 ......