随机森林最少需要多少样本
（1）不是，因为森林中树木很多可以看作是无限多棵树.不符合简单随机抽样的特点.（2）不是.简单随机抽样的实质是逐个地从总体中随机抽取.而这里只是随机确定了起始张，这时其他各张虽然是逐张起牌的，其实各张在谁手里已被确定，所以不是简单随机抽样.
随机森林中，随机选择样本个数怎么确定
随机森林是一种集成分类器,对影响随机森林性能的参数进行了分析,结果表明随机森林中树的数量对随机森林的性能影响至关重要。对树的数量的确定方法以及随机森林性能指标的评价方法进行了研究与总结。以分类精度为评价方法,利用UCI数据集对随机森
随机森林中是怎么对数据进行随机选择的
1. 首先用bootstrap自主采样法采样与样本数相同数目的样本，作为训练集，剩下的没有被采样过的样本作为测试集
2. 对特征做采样，比如d个特征采log2（d）个特征，用采到的样本和特征做一棵决策树
3. 重复步骤1、2做多棵不同的决策树构成随机森林
懂python 或随机森林模型的进来
既然你只问下面，那上面的我就不解释了
micro-average（微平均）
=(TP + FP) / (TP + TN + FP + FN)，即为accuracy
accuracy = (分类正确的样本个数) / (分类的所有样本个数)
macro-average（宏平均）
引入F-measure= (A + 1) * precision * recall / (A ^ 2 * precision + recall)
如果A取1，那么F-measure实际上就是precison和recall的调和平均值:2*precision*recall / (precision + recall)， 此时的F-measure就称为F1值
把所有类的F1值取一个算术平均就得到了Macro-average
最后一个就是加权平均值，没什么好说的