传统统计模型太简单，深度学习又看不懂。随机森林刚好卡在中间——能预测，也能解释。

  从基础CART讲起，带你掌握随机森林全套建模流程，再往深走六个方向：可解释AI（SHAP）、异常检测（孤立森林）、极值建模（分位数RF）、不确定性量化（BART）、因果推断（因果RF）、空间异质性（地理加权RF）。

学完你会发现，随机森林不只是个预测工具，更是拆解复杂系统的显微镜。

专题一、树模型基石-从决策规则到可解释智能的起点

1、数据类型与面临问题的识别

2、分类回归树及随机森林的能够解决的问题：预测与可解释性

3、分类回归树模型的构建

4、分类回归树模型推广：装袋树、袋外误差

案例一：经典论文解析，问题类型识别

案例二：用分类回归树预测臭氧浓度

案例三：装袋树模型下黑臭水体的分类

专题二、标准随机森林全过程构建稳健、可发表的预测模型

1、随机森林理论

2、数据预处理：缺失值插补、异常值识别以及时间序列的处理

3、随机森林超参数调优

4、分类与回归问题性能评估

案例四：臭氧浓度的随机森林预测

案例五：遥感下土地利用的随机森林分类

案例六：基于基因的患病几率预测

专题三、随机森林的可解释机器学习（XAI）

1、变量重要性与选择方法：置换法及其指标

2、基于博弈论的指标：SHAP，Conditional SHAP，KernelSHAP, DynamicSHAP等

3、对重要性指标误用的讨论

案例七：河道黑臭的重要影响因素

案例八：PM10的分区局部影响因素

专题四、异常值处理与分位关联

1、异常值识别的传统方法

2、孤立森林的基本原理

3、孤立森林的实现

4、不同的相关关系：分位数随机森林

案例九：蓝藻爆发的异常点识别

专题五、预测的不确定性与极端值估计

1、置信区间以及为什么需要置信区间

2、分位数回归的基本原理

3、分位数随机森林

4、树的贝叶斯模型：贝叶斯可加回归树

案例十：叶绿素A与营养物质极值相关性

案例十一：用贝叶斯可加回归树预测混凝土抗压强度及其不确定性

专题六、异质性处理效应的随机森林解法

1、因果效应潜在结果框架

2、条件平均处理效应

3、异质性效应估计：因果随机森林

案例十二：禁排政策对湖泊水质不同区域的因果分析

专题七、地理加权随机森林空间异质性建模

1、空间异质性：空间不是全局同质的

2、地理加权模型基础

3、局部样本构建与自适应带宽的选择

4、地理加权随机森林

案例十三：PM10城市不同区域的效应分析