本文主要关注于基于分类问题的随机森林模型处理大数据问题的现有方案，并尝试了五个变体实验，探究它们的相对性能和局限性。

Nov, 2015

本文提出针对机器学习集成方法的正式统计推断程序，重点在于利用样本的子样本进行 U - 统计的预测，进而提供置信区间，以及作为检验功能、估计方差等应用。

Apr, 2014

研究了随机森林模型的统计性质，证明其是一致的，适应于稀疏数据，收敛速度只与有效特征的数量有关。

May, 2010

分类随机森林的误差估计量进行了定量评估，结果显示在不同的误差估计方法中，随机森林的预测误差估计更接近真实误差率而不是平均预测误差率。

Sep, 2023

提出了一种名为 Forest Floor 的可视化方法，用于解释 random forest 模型，通过使用特征的贡献值和降维投影的方法，能够准确识别模型的交互作用及局部细节。

May, 2016

本文介绍了一种使用 Reduced Robust Random Cut Forest (RRRCF) 数据结构的新方法来检测数据集是否处于训练分布，该方法在低维和高维数据的实证结果表明可以有效地进行数据分布的推断，而且该模型易于训练，并且不需要进行困难的超参数调整，用例包括测试和验证结果。

Jun, 2022

随机森林是一种通过构建多个随机决策树，通过平均聚合其预测结果的机器学习算法，可应用于广泛的预测问题并且具有较高的精度，同时支持小样本大小，高维特征空间和复杂数据结构的应对，本文在加法回归模型的情况下证明了该算法的一致性，并探究了随机森林如何很好地适应稀疏性。

May, 2014

本文对随机森林进行了深入分析，重点讨论了其学习能力、内部运作和可解释性。本文的贡献在于通过理论分析，证明了随机森林的变量重要性可解释性，从而揭示了随机森林在数据分析和机器学习中的应用潜力。

Jul, 2014

该论文提出一种基于贝叶斯优化的多准则优化框架，以平衡 “随机森林” 分类和回归模型的错误率、预测的稳定性和计算成本。作者表示，在实际应用中，通过优化错误率来选择最优参数的方法可能会引入不必要的成本，而使用该框架可得到不同于错误率优化的参数设置。

Jun, 2017

通过修改树的分割方式，相对传统的随机森林算法和极端随机树算法，提高了模型在纯互作用关系占主导地位的场景中的拟合能力。

Jun, 2024