第 77 课：决策树与随机森林
决策树与随机森林 从核心概念到训练师实战 机器学习深入 · 第 77 课 面向 AI 训练师 / 数据标注 / 智慧图书馆应用 理解概念 · 掌握流程 · 连接岗位 为什么学习《决策树与随机森林》？…
决策树与随机森林
从核心概念到训练师实战
机器学习深入 · 第 77 课
面向 AI 训练师 / 数据标注 / 智慧图书馆应用
理解概念 · 掌握流程 · 连接岗位
为什么学习《决策树与随机森林》？
本课把“决策树与随机森林”放入 AI 训练师的真实工作流中，帮助你从概念理解走向可执行的项目实践。
痛点一：概念不清
只记住名词，无法判断它在数据、模型或项目流程中的作用。
痛点二：流程不稳
知道要做什么，却缺少可复用的步骤、模板和质量检查标准。
痛点三：应用脱节
无法把课堂知识迁移到智慧图书馆、多语种数据和真实标注任务中。
学习目标：把知识点转化为可执行、可检查、可交付的训练任务。
学习目标
01 理解
说清本课核心概念、适用场景与边界条件。
02 操作
掌握关键流程、常用工具和基础检查方法。
03 应用
能把本课方法迁移到数据标注、质检、模型评估或项目管理中。
概念
是什么→
流程
怎么做→
交付
如何验收
77.1 随机森林原理
随机森林：多棵决策树的集成投票（Bagging）
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(
n_estimators=100, # 100 棵树
max_depth=10, # 每棵树最大深度
random_state=42
)
rf.fit(X_train, y_train)
# 特征重要性——可以告诉训练师"哪些特征对模型最重要"
importances = rf.feature_importances_
for i, imp in enumerate(importances):
print(f"特征{i}: {imp:.3f}")77.2 特征重要性：标注指导价值
随机森林可以告诉我们：哪些标注信息对模型最有帮助
特征重要性排名：
1. 情感词数量（0.35）→ 标注重点
2. 否定词数量（0.25）→ 需要特别标注
3. 文本长度（0.15）
4. 感叹号数量（0.10）
...训练师可以根据特征重要性调整标注策略，聚焦关键信息
动手实践
任务1： 按课堂演示步骤独立完成操作
任务2： 尝试处理不同的数据/场景
任务3： 总结问题和注意事项
案例讨论
智慧图书馆场景应用
本节课方法如何在北二外图书馆使用？
- 需要准备什么数据？
- 选择什么方法/工具？
- 预期效果和挑战？
随堂测验
- 本节课最核心的方法/概念是什么？
- 解决了什么具体问题？
- 与传统方法比优势在哪？
- 实际应用中注意什么？
常见错误
错误1：概念混淆 — 不同概念混合
错误2：步骤遗漏 — 操作不完整
错误3：理解偏差 — 原理理解不准
本节课总结
| 掌握等级 | 内容 |
|---|---|
| 必须掌握 | 核心概念、关键方法 |
| 需要理解 | 技术原理、适用场景 |
| 能够操作 | 独立完成实践任务 |
课后作业
必做： 复述核心内容 + 完成练习 + 回答测验
选做： 查找行业案例 + 应用到项目
📤 下次课前提交
考试实操 12：任务单
| 项目 | 要求 |
|---|---|
| 考核等级 | 三级/高级：方案设计、模型优化、大模型数据与项目管理 |
| 业务场景 | 完成传统机器学习调参与解释题 |
| 原始材料 | 结构化特征表、标签、参数网格 |
| 限时要求 | 20 分钟完成小样本，40 分钟完成批量与质检 |
| 提交物 | 实验记录 + 最优模型说明 |
评分重点：过程可复现、结果可检查、异常有记录。
考试实操 13：样本表设计
| 样本编号 | 样本内容 | 处理要求 | 预期记录 |
|---|---|---|---|
| S01 | 决策树与随机森林样本A：标准、清晰、可直接处理 | 按标准流程处理 | 正常样本 |
| S02 | 决策树与随机森林样本B：边界情况，需要查规则 | 查阅规则后处理 | 边界说明 |
| S03 | 决策树与随机森林样本C：异常或争议，需记录原因 | 标记并提交复核 | 异常原因 |
要求：不得只写结论，必须写出判断依据或处理参数。
考试实操 14：小样本试跑
- 从材料中抽取 5 条代表样本：
决策树与随机森林样本A：标准、清晰、可直接处理、决策树与随机森林样本B：边界情况，需要查规则、决策树与随机森林样本C：异常或争议，需记录原因至少各覆盖 1 条。 - 先手工完成 2 条，确认“决策树与随机森林”的口径、字段、工具设置没有歧义。
- 再执行：围绕“决策树与随机森林”完成考试式实操：准备数据、执行处理、质检并交付。
- 将错例写入
error_cases.csv，字段包含：样本ID、错误类型、修正依据、复核人。
小样本试跑不过关，不进入批量处理。
考试实操 15：操作步骤
Step 1
读取题目材料：结构化特征表、标签、参数网格。→Step 2
围绕“决策树与随机森林”完成考试式实操：准备数据、执行处理、质检并交付。→Step 3
提交：实验记录 + 最优模型说明。
禁止操作：临时改标签、覆盖原始文件、不记录异常、只提交截图不交数据。
考试实操 16：质量检查清单
- 原始数据已备份，处理文件另存为新版本
- “决策树与随机森林”相关规则已写入 README 或报告
- 至少抽检 10% 样本，且覆盖边界样本
- 指标检查：交叉验证、参数对比、特征重要性
- 所有异常样本都有编号、原因和处理意见
质检记录是考试给分点，不是可选项。
考试实操 17：错例分析
| 错误类型 | 本课常见表现 | 修正方法 |
|---|---|---|
| 口径错误 | “决策树与随机森林”判断标准前后不一致 | 回到规则表统一定义 |
| 格式错误 | 文件字段、编码、命名不符合要求 | 按模板重新导出 |
| 漏标漏处理 | 边界样本未进入复核 | 建立待确认列表 |
| 不可追溯 | 没有记录参数、版本或来源 | 补充处理日志 |
复盘要求：至少写 2 条错例及修正依据。
考试实操 18：智慧图书馆应用
场景
完成传统机器学习调参与解释题，服务对象为读者、馆员或科研团队。
数据
结构化特征表、标签、参数网格，需注意来源、权限和个人信息。
处理
把“决策树与随机森林”方法嵌入采集、标注、训练或评估流程。
验收
用 交叉验证、参数对比、特征重要性 判断是否达到交付要求。
考试实操 19：评分细则
| 评分项 | 分值 | 扣分点 |
|---|---|---|
| 数据准备 | 20 | 来源不明、字段缺失、未备份 |
| 操作执行 | 30 | 步骤跳跃、参数错误、结果不可复现 |
| 质量检查 | 30 | 无抽检、无错例、无指标解释 |
| 交付规范 | 20 | 文件命名混乱、缺少README、无法打开 |
满分答案通常包含：结果 + 过程 + 质检 + 复盘。
考试实操 20：提交包结构
第77课_决策树与随机森林_考试提交包/
├── raw/ # 原始材料，只读保存
├── output/ # 实验记录 + 最优模型说明
├── qc/ # 抽检表、错例表、指标计算
├── screenshots/ # 关键步骤截图
└── README.md # 工具版本、步骤、结论、风险检查：压缩包解压后，阅卷老师能按 README 复现主要结果。
考试实操 21：限时训练
10 分钟版
- 读题并建立
raw/output/qc目录 - 处理 3 条样本：正常、边界、异常各 1 条
- 写出 1 条与“决策树与随机森林”直接相关的边界规则
30 分钟版
- 按要求完成：围绕“决策树与随机森林”完成考试式实操：准备数据、执行处理、质检并交付
- 做 10% 抽检并解释 交叉验证、参数对比、特征重要性
- 生成 实验记录 + 最优模型说明
60 分钟版
- 批量处理 + 指标计算 + 质量报告
- 给出下一轮优化建议
考试实操 22：口头答辩题
- 本课“决策树与随机森林”任务的输入、输出分别是什么？
- 如果结果不达标，你会优先检查数据、规则、工具还是人员执行？为什么？
- 本次提交物如何证明可追溯？
- 在智慧图书馆项目中，哪些数据不能直接用于训练？
答辩时要结合样本编号和处理记录，不要只背概念。
考试实操 23：任务单
| 项目 | 要求 |
|---|---|
| 考核等级 | 三级/高级：方案设计、模型优化、大模型数据与项目管理 |
| 业务场景 | 完成传统机器学习调参与解释题 |
| 原始材料 | 结构化特征表、标签、参数网格 |
| 限时要求 | 20 分钟完成小样本，40 分钟完成批量与质检 |
| 提交物 | 实验记录 + 最优模型说明 |
评分重点：过程可复现、结果可检查、异常有记录。
考试实操 24：样本表设计
| 样本编号 | 样本内容 | 处理要求 | 预期记录 |
|---|---|---|---|
| S01 | 决策树与随机森林样本A：标准、清晰、可直接处理 | 按标准流程处理 | 正常样本 |
| S02 | 决策树与随机森林样本B：边界情况，需要查规则 | 查阅规则后处理 | 边界说明 |
| S03 | 决策树与随机森林样本C：异常或争议，需记录原因 | 标记并提交复核 | 异常原因 |
要求：不得只写结论，必须写出判断依据或处理参数。
考试实操 25：小样本试跑
- 从材料中抽取 5 条代表样本：
决策树与随机森林样本A：标准、清晰、可直接处理、决策树与随机森林样本B：边界情况，需要查规则、决策树与随机森林样本C：异常或争议，需记录原因至少各覆盖 1 条。 - 先手工完成 2 条，确认“决策树与随机森林”的口径、字段、工具设置没有歧义。
- 再执行：围绕“决策树与随机森林”完成考试式实操：准备数据、执行处理、质检并交付。
- 将错例写入
error_cases.csv，字段包含：样本ID、错误类型、修正依据、复核人。
小样本试跑不过关，不进入批量处理。
考试实操 26：操作步骤
Step 1
读取题目材料：结构化特征表、标签、参数网格。→Step 2
围绕“决策树与随机森林”完成考试式实操：准备数据、执行处理、质检并交付。→Step 3
提交：实验记录 + 最优模型说明。
禁止操作：临时改标签、覆盖原始文件、不记录异常、只提交截图不交数据。
考试实操 27：质量检查清单
- 原始数据已备份，处理文件另存为新版本
- “决策树与随机森林”相关规则已写入 README 或报告
- 至少抽检 10% 样本，且覆盖边界样本
- 指标检查：交叉验证、参数对比、特征重要性
- 所有异常样本都有编号、原因和处理意见
质检记录是考试给分点，不是可选项。
考试实操 28：错例分析
| 错误类型 | 本课常见表现 | 修正方法 |
|---|---|---|
| 口径错误 | “决策树与随机森林”判断标准前后不一致 | 回到规则表统一定义 |
| 格式错误 | 文件字段、编码、命名不符合要求 | 按模板重新导出 |
| 漏标漏处理 | 边界样本未进入复核 | 建立待确认列表 |
| 不可追溯 | 没有记录参数、版本或来源 | 补充处理日志 |
复盘要求：至少写 2 条错例及修正依据。
考试实操 29：智慧图书馆应用
场景
完成传统机器学习调参与解释题，服务对象为读者、馆员或科研团队。
数据
结构化特征表、标签、参数网格，需注意来源、权限和个人信息。
处理
把“决策树与随机森林”方法嵌入采集、标注、训练或评估流程。
验收
用 交叉验证、参数对比、特征重要性 判断是否达到交付要求。
考试实操 30：评分细则
| 评分项 | 分值 | 扣分点 |
|---|---|---|
| 数据准备 | 20 | 来源不明、字段缺失、未备份 |
| 操作执行 | 30 | 步骤跳跃、参数错误、结果不可复现 |
| 质量检查 | 30 | 无抽检、无错例、无指标解释 |
| 交付规范 | 20 | 文件命名混乱、缺少README、无法打开 |
满分答案通常包含：结果 + 过程 + 质检 + 复盘。
大学生学习拓展：机器学习深入：从算法选择到可解释性
本页为大学生培训增强内容：把本课知识连接到真实校园、科研与就业场景。
拓展 1
高级AI训练师需要理解特征工程、树模型、神经网络、Transformer和公平性。
拓展 2
大学生要学会根据数据规模、标签质量和业务目标选择合适算法。
拓展 3
模型解释性和公平性是科研与行业落地的重要要求。
知识加餐：本课在AI项目中的位置
| 维度 | 大学生需要掌握 | AI训练师工作对应 |
|---|---|---|
| 概念 | 能用自己的话解释 决策树与随机森林 | 面向客户/团队讲清任务边界 |
| 操作 | 能完成一个最小可运行任务 | 形成可验收交付物 |
| 质量 | 能发现错误、记录问题、复核结果 | 支撑模型效果与责任追溯 |
| 合规 | 能说明数据来源、隐私与版权风险 | 满足项目审计和上线要求 |
课堂实训升级：从“听懂”到“做出来”
建议实训任务（三级/高级）
- 比较决策树、随机森林和神经网络在同一数据集上的表现。
- 写出模型解释与偏差风险分析。
交付物建议：数据文件 / 处理脚本 / 截图证据 / 1页说明 / 课堂展示。
工具链建议：国产模型 + 本地工具 + 可复现记录
数据与标注
Excel/WPS、Label Studio、CVAT、JSONL/CSV、抽样质检表。
模型与评估
Qwen、DeepSeek、BGE-M3、RAG、LoRA、F1/Recall/MRR等指标。
记录与展示
Jupyter、Markdown、Git/版本记录、PPT答辩、学习档案。
课堂讨论与课后反思
- 本课内容如果用于智慧图书馆，会服务哪个具体场景？
- 本课最容易出现的数据质量问题是什么？如何检查？
- 哪些数据不能直接进入训练或评估？为什么？
- 如何把本课成果放进个人作品集？
- 如果你是项目负责人，本课对应的验收指标是什么？