眾志成城的演算法─隨機森林（Random Forest）
電影「魔戒」裡，有一個讓人印象深刻的場景，會說話的樹人（Ent）向來因為固定在地面上，表面上看似軟弱無力，但是在法貢森林裡的樹人首領樹鬍，卻能率領樹人群一舉攻下了薩魯曼的半獸人要塞「艾辛格」，原來樹人是魔戒中強悍且唯一的植物兵種；有趣的是，在機器學習中，由多棵「決策樹」構成的「隨機森林」分類器，也和魔戒的樹人也有異曲同工之妙，集樹成林扮演眾志成城的強大演算角色。
「隨機森林」的目的在於結合「多個決策樹」，以創造出更佳的預測能力（如圖1），也可以看成是進階版的決策樹。隨機森林的概念，最早是由學者布列門（Breiman）於2001年所提出，在理論與實證中，不僅發現它的效能、預測力都很強，亦可觀察每個變數的特徵重要程度。
要談隨機森林，必須再提一次決策樹，相信大家都聽過這麼一個故事：有一天，兩個製做鞋子的商人，搭乘同一班飛機到了非洲，他們都是準備到非洲來開創新事業。出了機場之後，兩人迫不及待的出去看看非洲現階段流行些什麼款式的鞋子，以便切入市場，結果一出了機場卻嚇然發現，非洲幾乎所有的人都不穿鞋。
第一個鞋商心想：「完蛋了，非洲的人都不穿鞋的。」
第二個鞋商心想：「太好了，這裡的人都沒有鞋穿。」
同樣一個場景，卻形成天南地北完全不同的看法，當然如果鞋商想要再談投資非洲，也會形成不同決策。樂觀的鞋商認為前景大好，二話不說馬上就砸錢裝潢開起了鞋店，他認為：「反正這裡的人都沒有鞋穿，只要店門一開，大家就會上門，反正我賣什麼，大家就買什麼。」反之，悲觀的鞋商，則一再考慮，究竟是根本放棄，還是要從最小的店面開始經營，從最便宜的藍白拖開始賣起。
這個故事的重點，不在於後來到底是哪一個鞋商能賺到錢，而是一個環境往往會形成兩個完全不同的決策，從「做或不做」一路分枝下去，會帶來完全不同的風險，而集合多個決策樹的好處是，試圖降低一般的機器學習模型可能造成的變異與偏誤。
舉例來說，一個線性模型對於預測貓的形態非常在行，但如果貓的身上多了一個黑色的斑點，那在判斷上就可能會失凖。而這樣的瑕疵，對單一模型其實是很難避免，所以隨機森林的好處，就在於讓各個決策樹相互「截長補短」，避免偏誤的產生。回到上述貓的案例，或許一個決策樹無法辨別黑色斑點的貓，但是其他的決策樹則可透過訓練，讓模型知道擁有黑色斑點且長得很像貓的圖片，它還是「貓」。
如果以更技術層面的角度來談隨機森林，其中心思想是「裝袋算法(Bagging)」，它將自身的決策樹獨立出來，並進行重複抽樣的方法，讓每一顆樹都在不同的樣本基底下獨立訓練，或者使用不同變數進行訓練，讓每一個決策樹專精生長在不同的特殊環境，達到決策樹相互之間能夠截長補短之效果，最後綜合其預測結果，以有效降低以往單一模型可能造成的誤差。
其實這就像是戰場上各有專精的的將軍們，各自發揮陸、海、空的優勢，彼此互補與配合，如此更能成功的攻打下一座城池一樣。
作者：蘇宇暉（台科大管研所博士候選人）、 鍾皓軒（臺灣行銷研究有限公司創辦人）
