随机森林edit

随机森林 是由多棵决策树组成的集成模型，训练中通常对样本、特征或划分候选引入随机性。它在表格数据上表现强、相对稳健，并且比许多神经模型更容易检查。¹

在本 wiki 中的作用edit

本页为 DynFrs：随机森林机器遗忘高效框架 提供模型背景。随机森林对机器遗忘很重要，因为其结构是离散的：删除一个训练点可能影响路径、叶节点统计，甚至多棵树的划分决策。朴素重新训练基线清晰但昂贵；有用的遗忘框架必须在保持森林分布的同时减少不必要重算。

与乔鑫宝工作的关系edit

DynFrs 研究动态环境下随机森林的机器遗忘。论文核心设计使用 lazy tags 和更新逻辑，避免每次删除或修改请求后重建整个森林。在乔鑫宝的 wiki 中，随机森林页把实际模型维护连接到 机器遗忘 与 AI 与网络：核心问题是当数据不断变化且延迟重要时，如何维护已部署模型。

参见edit

• DynFrs
• 机器遗忘
• 认证数据删除
• 数据中心 ML

Footnotesedit

1. Leo Breiman 2001 年发表在 Machine Learning 的 “Random Forests” 是该模型族的标准参考。 ↩