提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
- 一、Deep Neural Decision Forests
- 二、Deep Forest
- 阅读参考
关于决策树随机森林与深度学习，以两篇论文为切入，作简要分析。
作者的研究动机，和经典的Decision Tree的关系，方法的Limits或适用的场景（给出自己的分析）。希望得到纠正和补充。
一、Deep Neural Decision Forests
***研究动机：***一些学者对随机森林中表示学习的早期形式进行尝试，但它们的预测精度仍然低于最先进的水平。传统模型的拟合能力非常强，但是需要人工提取一些非常强力的特征，而CNN又以其超强的图片特征提取能力而著称。卷积神经网络提供特征，决策树（森林）提供分类。传统方法与深度学习结合进行端到端的训练，随机森林作为深度神经网络最后一层的分类器（代替了原来的Softmax层）。
***关系：***在传统的决策树中，分裂节点是二值的，即它决定了经过这个节点以后是向左分支走还是向右分支走，并且这个结果是一旦决定就不可更改的。这就导致网络有可能在当前node是最优的(根据info-gain的原则)但是最后的分类效果并不是最优的。因此本文考虑“概率”决策树，即每个node的分裂是一个概率。
Limits：由于反向传播，损失还需可微。
适用的场景：图像分类，语义分割。提供了一个全局最优策略来估计在叶子中所采取的预测。不需要大量额外超参数
二、Deep Forest
***研究动机：***目前的深度学习模型大多建立在神经网络之上，即可以通过反向传播进行训练的多层参数化可微非线性模块。本文探讨了基于决策树等不可微模块构建深度模型的可能性关系。
关系： 是一种决策树的集成方法。传统的学习模型决策树，与dnn区别因素在于，与生成新特征的dnn相比，决策树和助推机在学习过程中总是对原始特征表示进行工作；换句话说，没有模型内的特征转换。此外，与具有任意高模型复杂度的DNNs相比，决策树和增强机器只能具有有限的模型复杂度。虽然模型的复杂性本身并不能导致dnn的成功，但它仍然很重要，因为如果想要利用大的训练数据，就需要大的模型容量。
***Limits：1未来的一个重要问题是增强特性的重新表示过程。gcForest的当前实现采用了最简单的类向量形式，即相关实例所属的叶节点上的类分布。当原始特征向量是高维的时，这样少量的增强特征很容易被淹没。
2随机森林不适合gpu，对设备计算要求高。
适用的场景：图像分类、面部识别、音乐分类、手移动识别、语义分割、低维数据、高维数据。小规模数据中也能很好地工作，并使用户能够根据计算量控制训练成本，超参数也较少。当dnn并不优越时，它提供了一种替代方案。有很多任务，特别是分类/符号或混合建模任务。
