13 随机森林（RF）由决策树（DT）的集合创建。通过使用装袋，可以在不同的数据子集中训练每个DT。因此，有没有办法通过在新数据上添加更多决策树来实现在线随机森林？ 例如，我们有10K样本并训练了10个DT。然后，我们得到了1K个样本，而不是再次训练整个RF，而是添加了一个新的DT。现在通过10 + 1 DT的贝叶斯平均值进行预测。 另外，如果我们保留所有先前的数据，则可以主要在新数据中训练新的数据仓库，其中根据已经选择了多少次来加权选择样本的概率。 random-forest online-learning — 塔舒卡 source
8 有关于这个问题最近的一篇文章（在线随机森林），从计算机视觉的到来。这是一个实现和演示：10分钟内的在线随机森林 — 埃姆雷 source 您提到的实现遵循树木生长策略，例如Mondrian森林（arxiv.org/abs/1406.2673）。因此，树木的数量是恒定的，而分裂的数量却增加了。我的问题集中在增加用于新样本的树木的数量，同时保持原先训练过的树木不变。 — tashuhka 2014年 1 像这样？如果合适的话，您也不想丢树吗？ — Emre 2014年 谢谢。这与我正在寻找的东西更相似。在这种情况下，将RF用于时变信号的特征选择。但是，该方法的具体实现和有效性尚不清楚，您知道他们是否发布了任何内容（Google没有帮助）？ — tashuhka 2014年 1 使用在线随机森林计算具有概念漂移的数据流中的特征重要性 — Emre，2014年 感谢您的链接！我可以看到它们实际上是使用树增长策略来更新所有先前的树，并且我感兴趣的是使用新数据创建新的DT，同时保持原树不变。 — tashuhka，2014年