请概括说明随机森林的构建流程与工作机制。

回答思路

1. 【回答框架 1】随机森林是一种基于Bagging的集成学习方法，核心思想是通过构建多棵决策树并综合其预测结果来提升整体性能。其过程可概括为：首先从原始训练集中使用有放回抽样（Bootstrap）生成多个样本子集；同时对每个样本子集，在构建决策树时，从全部特征中随机选取一部分特征作为候选分裂特征；然后基于每个样本子集和随机特征子集，独立训练一棵决策树，且通常不进行剪枝，使其充分生长；最后在预测阶段，对于分类任务采用多数投票，对于回归任务采用平均值，综合所有树的输出得到最终结果。
2. 【回答框架 2】随机森林的关键在于引入了双重随机性：样本随机性和特征随机性。样本随机性通过Bootstrap抽样实现，使每棵树的训练数据略有差异；特征随机性则在每棵树的每个分裂节点，从随机选取的特征子集中选择最优分裂特征，这增加了树间的多样性，有效降低了模型方差。大量不相关的树进行集成，能够减少过拟合，提升模型的泛化能力。
3. 【回答框架 3】随机森林的优势在于能够处理高维数据，无需特征选择，能评估特征重要性，并且对噪声和异常值有较好的鲁棒性。此外，由于每棵树可以独立训练，随机森林易于并行化，训练效率相对较高。然而，其缺点在于模型解释性较弱，且当数据噪声较大时可能过拟合。
4. 【关键点 1】随机森林基于Bagging思想，使用有放回抽样生成多个训练子集。
5. 【关键点 2】每个节点在随机特征子集中选择最优分裂特征，增强树间多样性。
6. 【关键点 3】分类任务使用多数投票，回归任务使用平均值进行集成预测。
7. 【关键点 4】双重随机性（样本与特征）有效降低方差，减少过拟合。
8. 【易错点 1】混淆Bagging与Boosting的区别：Bagging并行训练，Boosting串行且关注残差或错误样本。
9. 【易错点 2】误以为随机森林的特征选择是全局随机，实际是每棵树每个节点随机选取部分特征后选择最优分裂。
10. 【易错点 3】忽略特征重要性需要基于袋外数据（OOB）或平均不纯度减少量计算，而非简单计数。