1.简介
随机森林和GBDT都属于集成学习。
集成学习可分为两大类：bagging和boosting；
随机森林（RF） ∈ bagging
GBDT ∈ boosting
2.随机森林：由多个决策树组成的一个集成学习算法，可用于分类和回归（分类效果好于回归），最终结果采用投票制得出。
数据集处理：
· 随机森林的“随机”体现在两个方面：①样本选择随机；②特征选择随机；
· 常采用交叉验证法进行数据集划分；
优点：可解决单个决策树的泛化能力差问题。
扩展：加权随机森林【给小类以大权重，给大类以小权重】
3.GBDT：梯度提升决策树
http://blog.csdn.net/puqutogether/article/details/41957089
http://www.cnblogs.com/pinard/p/6140514.html
4.RF和GBDT两种算法优缺点
https://www.cnblogs.com/hbwxcw/p/7163704.html
参考资料：
1.权重处理：https://wenku.baidu.com/view/07ba98cca0c7aa00b52acfc789eb172ded639998.html
2.sklearn随机森林特征筛选：https://www.cnblogs.com/xiaochouk/p/8583255.html，作者：小丑_jk
3.matlab随机森林组合分类器：https://www.cnblogs.com/zhouerba/p/8032604.html，作者：zhouerba
原文：https://www.cnblogs.com/feynmania/p/12927075.html