请比较随机森林与单棵决策树的差异，并解释随机森林在多数场景下性能更优的原因。

回答思路

1. 【回答框架 1】随机森林是集成学习中的Bagging方法，构建多棵决策树并综合结果；单棵决策树是单一模型。决策树易过拟合，对数据噪声敏感，而随机森林通过样本扰动和特征扰动降低方差。
2. 【回答框架 2】随机森林每棵树使用有放回抽样（bootstrap）生成训练集，约37%样本未参与训练，可作为袋外数据评估模型。特征扰动指每次分裂随机选取部分特征，减少树间相关性，增强多样性。
3. 【回答框架 3】性能更好的原因：集成多棵树的预测，降低单棵树过拟合风险，方差减少；对异常值和噪声更鲁棒；特征扰动提升泛化能力；可并行训练，效率高。
4. 【回答框架 4】适用场景：高维数据、非线性关系、特征重要性分析。但可解释性差，训练成本高，对线性数据可能不如逻辑回归。
5. 【关键点 1】随机森林是Bagging集成，决策树是基学习器。
6. 【关键点 2】随机森林通过bootstrap采样和特征随机选择降低方差。
7. 【关键点 3】单棵决策树易过拟合，随机森林通过平均/投票减少过拟合。
8. 【关键点 4】随机森林可处理高维特征，给出特征重要性。
9. 【易错点 1】随机森林不能完全消除偏差，若基学习器偏差高，集成后仍高偏差。
10. 【易错点 2】特征扰动可能降低单棵树精度，但整体泛化提升。
11. 【易错点 3】随机森林在噪声大时可能过拟合，需调参控制。