开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何获得随机森林模型R中每棵树的OOB样本？

在R中，要获得随机森林模型中每棵树的Out-of-Bag（OOB）样本，可以使用randomForest包提供的函数。以下是一个完善且全面的答案：

随机森林是一种集成学习方法，它由多个决策树组成。每个决策树都是通过从原始数据集中有放回地抽取样本（袋外样本）和特征进行训练而生成的。OOB样本是指在生成每棵树时未被抽取到的样本。

要获得随机森林模型中每棵树的OOB样本，可以按照以下步骤进行操作：

首先，确保已经安装了randomForest包。如果没有安装，可以使用以下命令进行安装：

install.packages("randomForest")

加载randomForest包：

library(randomForest)

准备数据集。假设我们有一个数据集df，其中包含了用于训练随机森林模型的特征和目标变量。
使用randomForest函数来训练随机森林模型，并设置参数为保存OOB样本：

rf_model <- randomForest(formula = target ~ ., data = df, keep.inbag = TRUE)

在上述代码中，formula参数指定了目标变量和特征之间的关系，data参数指定了数据集，keep.inbag参数设置为TRUE以保存OOB样本。

使用getTree函数来获取每棵树的OOB样本：

oob_samples <- lapply(rf_model$inbag, function(x) which(!x))

在上述代码中，rf_model$inbag返回一个逻辑矩阵，表示每个样本是否被抽取到。lapply函数用于对每棵树进行操作，which函数用于获取未被抽取到的样本的索引。

最后，可以通过oob_samples来访问每棵树的OOB样本。例如，要访问第一棵树的OOB样本，可以使用以下代码：

oob_samples[[1]]

以上就是如何获得随机森林模型R中每棵树的OOB样本的完善且全面的答案。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云数据库（https://cloud.tencent.com/product/cdb）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpe）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云CDN加速（https://cloud.tencent.com/product/cdn）
腾讯云弹性文件存储（https://cloud.tencent.com/product/efs）
腾讯云弹性MapReduce（https://cloud.tencent.com/product/emr）
腾讯云弹性缓存Redis（https://cloud.tencent.com/product/redis）
腾讯云弹性容器实例（https://cloud.tencent.com/product/eci）
腾讯云弹性伸缩（https://cloud.tencent.com/product/as）
腾讯云弹性GPU服务（https://cloud.tencent.com/product/gpu）
腾讯云弹性负载均衡（https://cloud.tencent.com/product/clb）
腾讯云弹性IP（https://cloud.tencent.com/product/eip）
腾讯云弹性网卡（https://cloud.tencent.com/product/eni）
腾讯云弹性公网IP（https://cloud.tencent.com/product/eip）
腾讯云弹性容器服务（https://cloud.tencent.com/product/tke）
腾讯云弹性文件存储（https://cloud.tencent.com/product/efs）
腾讯云弹性MapReduce（https://cloud.tencent.com/product/emr）
腾讯云弹性缓存Redis（https://cloud.tencent.com/product/redis）
腾讯云弹性容器实例（https://cloud.tencent.com/product/eci）
腾讯云弹性伸缩（https://cloud.tencent.com/product/as）
腾讯云弹性GPU服务（https://cloud.tencent.com/product/gpu）
腾讯云弹性负载均衡（https://cloud.tencent.com/product/clb）
腾讯云弹性IP（https://cloud.tencent.com/product/eip）
腾讯云弹性网卡（https://cloud.tencent.com/product/eni）
腾讯云弹性公网IP（https://cloud.tencent.com/product/eip）

请注意，以上链接仅供参考，具体产品和服务详情请参考腾讯云官方网站。

相关搜索:party package R中的条件推理树:如何基于OOB数据预测模型和方差重要性？R中随机森林模型的AUC计算 R随机森林:当要素表中的列顺序发生变化时，OOB错误率会发生变化为什么我的随机森林分类器模型中每个决策树的max_depth都是相同的？如何从R中随机变量的cdf中获取10000的样本？如何从训练好的随机森林模型中获得预测？如何从随机森林模型的重采样中从插入符子采样中提取最终的模型数据集如何使用PRROC软件包获取R中随机森林的ROC和PR的auc 如何使用R中的coxme模型从样条项获得预测？如何在h2o中获取随机森林的树结果？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

随机森林(RF),Bagging思想

Bagging是bootstrap aggregating。思想就是从总体样本当中随机取一部分样本进行训练，通过多次这样的结果，进行投票获取平均值作为结果输出，这就极大可能的避免了不好的样本数据，从而提高准确度。因为有些是不好的样本，相当于噪声，模型学入噪声后会使准确度不高。

01

随机森林--你想到的，都在这了

Bagging是bootstrap aggregating。思想就是从总体样本当中随机取一部分样本进行训练，通过多次这样的结果，进行投票获取平均值作为结果输出，这就极大可能的避免了不好的样本数据，从而提高准确度。因为有些是不好的样本，相当于噪声，模型学入噪声后会使准确度不高。

01

随机森林算法及其实现（Random Forest）

作为新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，简称RF）拥有广泛的应用前景，从市场营销到医疗保健保险，既可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预测疾病的风险和病患者的易感性。最初，我是在参加校外竞赛时接触到随机森林算法的。最近几年的国内外大赛，包括2013年百度校园电影推荐系统大赛、2014年阿里巴巴天池大数据竞赛以及Kaggle数据科学竞赛，参赛者对随机森林的使用占有相当高的比例。此外，据我的个人了解来看，一大部分成功进入答辩的队伍也都选择了Random Forest 或者 GBDT 算法。所以可以看出，Random Forest在准确率方面还是相当有优势的。

02

随机森林原理介绍与适用情况（综述篇）'建议收藏'

随机森林是一种集成算法（Ensemble Learning），它属于Bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。其可以取得不错成绩，主要归功于“随机”和“森林”，一个使它具有抗过拟合能力，一个使它更加精准。

02

机器器学习算法系列列（1）：随机森林随机森林原理随机森林的生成随机采样与完全分裂随机森林的变体

顾名思义，是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，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。我们可以这样⽐比喻随机森林算法：每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个特征中选择m个让每一棵决策树进行行学习），这样在随机森林中就有了了很多个精通不不同领域的专家，对一个新的问题（新的输⼊入数据），可以用不不同的角度去看待它，最终由各个专家，投票得到结果。随机森林算法有很多优点：

02

[机器学习算法]随机森林

从统计学的角度来讲，将模型的性能寄希望于单棵决策树是不稳健的，这意味着它在处理未知数据时预测结果的方差是较大的。如同我们做重要决定时会考虑多个专家的意见，元算法meta-algorithm主张综合多个分类器的结果做预测，元算法也被称为集成方法ensemble method，主要思路包括：

03

机器学习建模中的 Bagging 思想

我们在生活中做出的许多决定都是基于其他人的意见，而通常情况下由一群人做出的决策比由该群体中的任何一个成员做出的决策会产生更好的结果，这被称为群体的智慧。集成学习（Ensemble Learning）类似于这种思想，集成学习结合了来自多个模型的预测，旨在比集成该学习器的任何成员表现得更好，从而提升预测性能（模型的准确率），预测性能也是许多分类和回归问题的最重要的关注点。

04

R语言泰坦尼克号随机森林模型案例数据分析

采取大量单独不完美的模型，他们的一次性错误可能不会由其他人做出。如果我们对所有这些模型的结果进行平均，我们有时可以从它们的组合中找到比任何单个部分更好的模型。这就是整体模型的工作方式，他们培养了许多不同的模型，并让他们的结果在整个团队中得到平均或投票。

02

机器学习面试中常考的知识点，附代码实现（二）

其实用一下图片能更好的理解LR模型和决策树模型算法的根本区别，我们可以思考一下一个决策问题：是否去相亲，一个女孩的母亲要给这个女海介绍对象。

02

机器学习之随机森林（R）randomFordom算法案例

1.随机森林原理介绍随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由Leo Breiman和Adele Cutler提出，并被注册成了商标。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中。在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无

08

机器学习之随机森林（R）randomFordom算法案例

随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由Leo Breiman和Adele Cutler提出，并被注册成了商标。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中。在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回的抽取的，根据Leo Breiman的建议，假设总的特征数量为M，这个比例可以是sqrt(M),1/2sqrt(M),2sqrt(M)。

07

数学建模学习笔记（二十七）随机森林

随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。

05

（数据科学学习手札26）随机森林分类器原理详解&Python与R实现

一、简介　　作为集成学习中非常著名的方法，随机森林被誉为“代表集成学习技术水平的方法”，由于其简单、容易实现、计算开销小，使得它在现实任务中得到广泛使用，因为其来源于决策树和bagging，决策树我

07

机器学习入门 13-5 随机森林和Extra-Trees

前面几个小节介绍了 Bagging 集成学习方法。简单来说，Bagging 方式是通过在样本以及特征空间上随机选取样本以及特征的方式来创建诸多差异性的子模型，然后将这些子模型集成在一起。使用 sklearn 实现 Bagging 这种集成学习，使用的基本分类器都是决策树，这种基本分类器使用决策树的集成学习通常被称为随机森林。随机森林中的每一棵树都是通过随机的方式来训练生成的，因此具有随机性，这么多树放在一起，就形成了一个森林。前面实现的 Bagging Classifier，无论是 random subspaces classifier 还是 random patches classifier，指定的 base_estimator 参数都是 DecisionTreeClassifier（sklearn 封装的决策树类），因此都可以叫做随机森林。

03

RF、GBDT、XGboost特征选择方法「建议收藏」

RF、GBDT、XGboost都可以做特征选择，属于特征选择中的嵌入式方法。比如在sklearn中，可以用属性feature_importances_去查看特征的重要度, 比如：

02

fast.ai 机器学习笔记（一）

数据科学 ≠ 软件工程 [08:43]。你会看到一些不符合 PEP 8 的代码和import *之类的东西，但暂时跟着走一段时间。我们现在正在做的是原型模型，原型模型有一套完全不同的最佳实践，这些实践在任何地方都没有教授。关键是能够非常互动和迭代地进行操作。Jupyter 笔记本使这变得容易。如果你曾经想知道display是什么，你可以做以下三件事之一：

01

【Python机器学习实战】决策树与集成学习（三）——集成学习（1）Bagging方法和提升树

集成学习从字面上就是集成很多分类器进行学习的过程，通过将一系列弱分类器的模型做一些简单的线性组合，最终形成了一个较强的分类器。因此集成学习的一般思路有以下三种：

00

利用随机森林评估特征重要性原理与应用

来源：机器学习研习院本文约2000字，建议阅读8分钟本文对随机森林如何用在特征选择上做一个简单的介绍。随机森林是以决策树为基学习器的集成学习算法。随机森林非常简单，易于实现，计算开销也很小，更令人惊奇的是它在分类和回归上表现出了十分惊人的性能，因此，随机森林也被誉为“代表集成学习技术水平的方法”。一、随机森林RF简介只要了解决策树的算法，那么随机森林是相当容易理解的。随机森林的算法可以用如下几个步骤概括：用有抽样放回的方法（bootstrap）从样本集中选取n个样本作为一个训练集。用抽样得到的

01

机器学习之随机森林

随机森林(Random Forest)是一个非常灵活的机器学习方法，从市场营销到医疗保险有着众多的应用。例如用于市场营销对客户获取和存留建模或预测病人的疾病风险和易感性。随机森林能够用于分类和回归问题，可以处理大量特征，并能够帮助估计用于建模数据变量的重要性。我们先了解随机森林中森林和随机的概念。

03

随机森林：这或许是集成学习中最经典的一个 Bagging 算法了

在集成学习概述中已经知道了常用的集成算法有两种：Bagging 和 Boosting。而在 Bagging 中，随机森林（Random Forest，RF）又是其中典型的代表了。没错，这篇文章我们就是来介绍随机森林的。

02

随机森林算法简单讲解

在机器学习中通常分为有监督学习、无监督学习，半监督学习和强化学习四大类。而随机森林是一种典型的有监督学习算法，它是在决策树基础上得到的一种集成学习（bagging）算法。

02

随机森林算法通俗易懂(改进的随机森林算法)

前面几篇我们探讨了决策树算法，集成学习方法，今天我们就来探讨下基于bagging集成的决策树算法——随机森林（Random Forest）。随机森林虽然简单，但它是最强大的机器学习算法之一，也是实际应用中非常常用的算法之一，是我们必须要掌握的算法。首先让我们简单的回顾下决策树算法，因为它是随机森林的基础。

02

【spark】什么是随机森林

1.什么是随机森林随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。

01

集成算法｜随机森林分类模型

随机森林是非常具有代表性的Bagging集成算法，它的所有基评估器都是决策树，分类树组成的森林就叫做随机森林分类器，回归树所集成的森林就叫做随机森林回归器。

05

R语言泰坦尼克号随机森林模型案例数据分析|附代码数据

如果我们对所有这些模型的结果进行平均，我们有时可以从它们的组合中找到比任何单个部分更好的模型。这就是集成模型的工作方式

00

机器学习之随机森林

机器执行的每一个步都依赖于我们的指令。它们需要指导去哪里做什么，就像一个不了解周围环境而无法自己做决定的孩子。因此，开发人员会需要为机器编写指令。然而当我们谈论机器学习时，我们谈论的是让机器在没有任何外部指令的情况下学会自己做出决定。这个机器有一个成熟的头脑，可以依据实际情况选择最佳的行动方针。

08

使用 scikit-learn 玩转机器学习——集成学习

集成学习是结合多个单一估计器的预测结果对给定问题给出预测的一种算法，集成学习相对于单一的估计器来说会有更好的泛化能力和鲁棒性，教科书式的定义的确会让人头昏脑涨，以下我们就来拿小华做作业来举个栗子。

04

R语言︱决策树族——随机森林算法

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51308061

04

特征重要性在量化投资中的深度应用【系列56】

前五期传送门：【系列55】机器学习应用量化投资必须要踩的那些坑【系列54】因子的有效性分析基于7种机器学习算法【系列53】基于XGBoost的量化金融实战【系列52】基于Python预测股价的那些人那些坑【系列51】通过ML、Time Series模型学习股价行为今天，继续我们的机器学习应用量化投资系列。本期我们再介绍一篇杨勇团队撰写的研究报告。希望大家在写策略注意这些问题。前言从IC、IR到另类线性归因基于IC、IR的单因子分析是传统多因子分析的基石。但是IC、IR分析出却不能考虑到多

04

中国台湾大学林轩田机器学习技法课程学习笔记10 -- Random Forest

上节课我们主要介绍了Decision Tree模型。Decision Tree算法的核心是通过递归的方式，将数据集不断进行切割，得到子分支，最终形成数的结构。C&RT算法是决策树比较简单和常用的一种

00

理论：随机森林-枝剪问题

剪枝的意义是：防止决策树生成过于庞大的子叶，避免实验预测结果过拟合，在实际生产中效果很差

02

随机森林概述

在SIGAI之前的公众号文章“大话AdaBoost算法”中我们介绍了集成学习的思想以及Boosting算法，今天的文章中我们将为大家介绍另外一种集成学习算法-随机森林。随机森林由多棵决策树组成，采用多棵决策树联合进行预测可以有效提高模型的精度。这些决策树用对训练样本集随机抽样构造出的样本集训练得到。由于训练样本集由随机抽样构造，因此称为随机森林。随机森林不仅对训练样本进行抽样，还对特征向量的分量随机抽样，在训练决策树时，每次寻找最佳分裂时只使用一部分抽样的特征分量作为候选特征进行分裂。

02

随机森林算法（有监督学习）

一、随机森林算法的基本思想随机森林的出现主要是为了解单一决策树可能出现的很大误差和overfitting的问题。这个算法的核心思想就是将多个不同的决策树进行组合，利用这种组合降低单一决策树有可能带来的片面性和判断不准确性。用我们常说的话来形容这个思想就是“三个臭皮匠赛过诸葛亮”。具体来讲，随机森林是用随机的方式建立一个森林，这个随机性表述的含义我们接下来会讲。随机森林是由很多的决策树组成，但每一棵决策树之间是没有关联的。在得到森林之后，当对一个新的样本进行判断或预测的时候，让森林中的每一棵决策树分别进行判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。

02

R语言randomForest包的随机森林分类模型以及对重要变量的选择

随机森林（random forest）是一种组成式的有监督学习方法，可视为决策树的扩展。

03

Python人工智能：基于sklearn的随机森林分类算法实现方法

集成学习（Ensemble Learning）作为一种流行的机器学习，它通过在数据集上构建多个模型，并集成所有模型的分析预测结果。常见的集成学习算法包括：随机森林、梯度提升树、Xgboost等。

01

【原创精品】随机森林在因子选择上的应用基于Matlab

随机森林对多元公线性不敏感，结果对缺失数据和非平衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用。

07

「R」逻辑回归、决策树、随机森林

有监督学习基于一组包含预测变量和输出变量的样本单元。将全部数据分为一个训练数据集和一个验证数据集，其中训练集用于建立预测模型，验证集用于测试模型的准确性。

03

如何筛选特征？用随机森林（RF）

一般情况下，数据集的特征成百上千，因此有必要从中选取对结果影响较大的特征来进行进一步建模，相关的方法有：主成分分析、lasso等，这里我们介绍的是通过随机森林来进行筛选。

01

【竞赛】一种提升多分类准确性的Trick

随机森林是一种高效并且可扩展性较好的算法, K最近邻算法则是一种简单并且可解释较强的非参数化算法。在本篇文章中,我们针对多分类问题提出了一种将随机森林和KNN算法相结合框架,我们先用训练数据对随机森林模型进行训练然后用训练好的随机森林模型对我们的训练集和测试集进行预测分别得到训练集和测试集的概率矩阵,然后将测试集中的可疑样本取出并在概率空间中进行KNN训练测试,我们的框架很大地提升了测试集中可疑样本的预测准确率;此外我们从预测的概率空间对训练数据进行噪音的过滤与删除,从而进一步提升了我们模型的预测准确率。在大量实验数据的测试中,我们的方法都取得了非常显著的效果。

03

一文弄懂随机森林的原理和应用

随机森林是一种集成学习算法，属于Bagging类型，通过组合多个决策树的预测结果得出最终的预测结果。

01

机器学习常用算法——随机森林

随机森林（Random Forest，简称RF），通过集成学习的思想将多棵决策树集成的一种算法，它的基本单元是决策树。从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。

04

快速入门Python机器学习（20）

2001年Breiman把分类树组合成随机森林(Breiman 2001a)，即在变量(列)的使用和数据(行)的使用上进行随机化，生成很多分类树，再汇总分类树的结果。随机森林在运算量没有显著提高的前提下提高了预测精度。

02

随机森林（原理/样例实现/参数调优）

1.决策树与随机森林都属于机器学习中监督学习的范畴，主要用于分类问题。决策树算法有这几种：ID3、C4.5、CART，基于决策树的算法有bagging、随机森林、GBDT等。决策树是一种利用树形结构进行决策的算法，对于样本数据根据已知条件或叫特征进行分叉，最终建立一棵树，树的叶子结节标识最终决策。新来的数据便可以根据这棵树进行判断。随机森林是一种通过多棵决策树进行优化决策的算法。

01

Using many Decision Trees – random forests使用多棵决策树--随机森林

In this recipe, we'll use random forests for classification tasks. random forests are used because they're very robust to overfitting and perform well in a variety of situations.

02

聊聊基于Alink库的随机森林模型

随机森林（Random Forest）是一种集成学习（Ensemble Learning）方法，通过构建多个决策树并汇总其预测结果来完成分类或回归任务。每棵决策树的构建过程中都引入了随机性，包括数据采样和特征选择的随机性。随机森林的基本原理可以概括如下：

01

通俗解释随机森林算法

首先我们来复习一下之前介绍过的两个机器学习模型：Bagging和Decision Tree。Bagging是通过bootstrap的方式，从原始的数据集D中得到新的D^；然后再使用一些base algorithm对每个D^都得到相应的gt；最后将所有的gt通过投票uniform的形式组合成一个G，G即为我们最终得到的模型。Decision Tree是通过递归形式，利用分支条件，将原始数据集D切割成一个个子树结构，长成一棵完整的树形结构。Decision Tree最终得到的G(x)是由相应的分支条件b(x)和分支树Gc(x)递归组成。

01

MADlib——基于SQL的数据挖掘解决方案（25）——分类之随机森林

装袋（bagging）又称自助聚集（bootstrap aggregating），是一种根据均匀概率分布从数据集中重复抽样（有放回的）的技术。每个自助样本集都和原始数据集一样大。由于抽过程是有回放的，因此一些样本可能在同一训练数据集总出现多次，而其它一些却可能被忽略。一般来说，自助样本

02

[Hands On ML] 7. 集成学习和随机森林

本文为《机器学习实战：基于Scikit-Learn和TensorFlow》的读书笔记。中文翻译参考

03

数据分析简单题目分享（附答案）

在当今数字化时代，数据分析已成为解决问题、制定战略和做出明智决策的不可或缺的工具。无论是业务决策者、数据科学家还是对技术感兴趣的初学者，理解和掌握数据分析都是提升竞争力的关键。因此，本篇博客将为您呈现一系列简单而富有深度的数据分析题目，旨在巩固您的基础知识，同时通过附带的答案，确保您能够轻松理解和运用这些概念。让我们一同踏上这趟探索数据洞察之旅，探讨如何在海量信息中发现隐藏的宝藏。

01

SKlearn参数详解—随机森林

随机森林（RandomForest,简称RF）是集成学习bagging的一种代表模型，随机森林模型正如他表面意思，是由若干颗树随机组成一片森林，这里的树就是决策树。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭