理解Random Forest的方差降低机制
在实际建模中，单棵决策树常因过度拟合导致预测不稳定。Random Forest通过构建多棵异构树并取平均值，能有效缓解这一问题。了解其降方差原理对把握模型泛化能力至关重要。

第一张图展示核心公式f̄(x)=1/MΣf_i(x)，通过对比单棵树与森林结构直观体现集成效果。第二张图分解方差公式，说明Bootstrap数据重采样和特征随机选择如何影响树间相关性ρ。第三张图以特征矩阵为背景，演示不同特征子集对树结构的塑造过程。

该知识适用于高维数据分类与回归场景，需注意特征采样比例与树数量的平衡关系。建议结合具体案例理解相关系数ρ对方差的双重影响，避免单纯依赖公式记忆。

随机森林 方差分解 Bootstrap采样 特征采样 集成学习 过拟合 偏差方差权衡