随机森林篇幅

README.md

@@ -187,6 +187,14 @@
     - [树形结构为何不需要归一化](机器学习/决策树/决策树.md#L164)
     - [决策树的优缺点](机器学习/决策树/决策树.md#L164)
 - 贝叶斯
+    - [解释一下朴素贝叶斯中考虑到的条件独立假设](机器学习/贝叶斯/贝叶斯.md#L164)
+    - [讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别](机器学习/贝叶斯/贝叶斯.md#L164)
+    - [朴素贝叶斯中出现的常见模型有哪些](机器学习/贝叶斯/贝叶斯.md#L164)
+    - [出现估计概率值为 0 怎么处理](机器学习/贝叶斯/贝叶斯.md#L164)
+    - [朴素贝叶斯的优缺点](机器学习/贝叶斯/贝叶斯.md#L164)
+    - [朴素贝叶斯与 LR 区别](机器学习/贝叶斯/贝叶斯.md#L164)
+- 随机森林
+    - [解释下随机森林](机器学习/随机森林/随机森林.md#L164)
 - GBDT
 - FM/FFM
 - SVM

机器学习/贝叶斯/贝叶斯.md

@@ -1,12 +1,12 @@
 # 解释一下朴素贝叶斯中考虑到的条件独立假设
 ![](https://tva1.sinaimg.cn/large/006y8mN6gy1g92b15s6daj308x00rq2s.jpg)
 
-# 讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类
+# 讲一讲你眼中的贝叶斯公式和朴素贝叶斯分类差别
 贝叶斯公式是完整的数学公式P(A/B) = P(A)P(B/A)/P(B)
 
 朴素贝叶斯 = 贝叶斯公式 + 条件独立假设，在实际使用过程中，朴素贝叶斯完全只需要关注P(A,B)=P(A)P(B/A)即可
 
-# 朴素贝叶斯中出现的常见模型
+# 朴素贝叶斯中出现的常见模型有哪些
 - 多项式：多项式模型适用于离散特征情况，在文本领域应用广泛， 其基本思想是：我们将重复的词语视为其出现多次
     - 因为统计次数，所以会出现0次可能，所以实际中进行了平滑操作
         - 先验平滑：![](https://tva1.sinaimg.cn/large/006y8mN6gy1g92bmactdlj303o0133yb.jpg)

机器学习/随机森林/随机森林.md

@@ -0,0 +1,17 @@
+# 解释下随机森林?
+- 随机森林=bagging+决策树
+- 随机：特征选择随机+数据采样随机
+    - 特征随机是在决策树每个结点上选择的时候随机，并不是在每棵树创建的时候随机
+    - 每个结点上对特征选择都是从全量特征中进行采样对，不会剔除已利用对
+    - 数据采样，是有放回的采样
+        - 1个样本**未被选到**的概率为p = (1 - 1/N)^N = 1/e，即为OOB
+- 森林：多决策树组合
+    - 可分类可回归，回归是对输出值进行简单平均，分类是对输出值进行简单投票
+
+# 解释下随机森林节点的分裂策略？
+
+# 随机森林的损失函数是什么？
+
+# 为了防止随机森林过拟合可以怎么做?
+
+# 是否用过随机森林，怎么用的?