机器学习圈有个老梗：决策树是产品经理最爱的模型——能画图、能讲清楚每一步判断，老板听得懂，自己也能睡安稳。但真放到生产环境里，单棵树往往一碰就碎，新数据来了，预测飘得比KPI还离谱。

随机森林的解法很粗暴：既然一棵树靠不住，那就种一片。通常100棵起步，每棵树随机抽一部分数据、随机选一部分特征，各自独立生长。最后投票表决，少数服从多数。

这有点像让100个实习生分别做同一份调研，每人只采访部分用户、只看部分指标。单独一份报告可能漏洞百出，但把100份摆在一起，离谱答案会被对冲掉，共识自然浮现。用统计术语说，这叫"降低方差"——换句话说，用多样性换稳定性。

代价也明显。单棵树3分钟能跑完，森林可能要30分钟；以前能指着节点解释"为什么拒贷"，现在只能摊手说"100棵树里87棵投了反对"。可解释性换准确率，这是笔多数团队愿意做的生意。

Scikit-learn里调参不算麻烦，n_estimators控制树的数量，max_features决定每棵树看多少列。但别指望调参能救命——数据本身脏的话，森林也就是一堆整齐排列的歪树。有个工程师在GitHub吐槽：「我试过500棵树，过拟合得更优雅了，但照样过拟合。」