当你需要处理非线性关系，或者想对复杂数据集进行自动化分类预测时，随机森林分类器是一个理想选择。它通过构建多棵决策树来捕捉复杂的关联，不仅能给出准确的预测结果，还能自动告诉你哪些特征对结果的影响最显著，从而帮你快速定位数据背后的关键驱动因素。
基于多维视角的归因分析
随机森林分类器不仅仅是一个“黑盒”预测工具。它内置了三维特征重要度评估体系，帮助你从不同维度解构模型逻辑。无论是通过决策过程中累积的 MDI，还是通过在测试集上验证实际影响的 Permutation 评估，系统都能清晰地展示每个变量的贡献度。
尤其是在使用 SHAP 归因时，该方法能够针对每一条数据提供精确的贡献方向，不仅告诉你哪个特征重要，还能指出该特征的数值变化是如何推动最终分类结果的。
自动防御机制与质量校验
在处理复杂数据时，模型容易出现过度拟合或对数据分布过度敏感的情况。随机森林分类器在执行完任务后，会自动运行一系列反幻觉检查。
如果模型在训练集表现优异但在测试集表现平平，系统将触发 overfit_concern；若分类目标中某一类占比超过 90%，系统则会触发 imbalance_concern 并提示你关注准确率之外的评估指标。这些预警确保了你看到的分析结论始终处在可信范围内。
确定性建模与可重复性
在数据分析中，模型的可重复性至关重要。该工具在底层实现上严格控制了随机数种子，确保在相同的数据和种子配置下，无论何时运行，都能产出完全一致的归因结果与预测指标。
这种确定性保证了你在进行迭代对比时，观察到的变化真正源于数据本身，而不是算法运行过程中的随机波动。
1 · Intent → method
An LLM picks ml_random_forest from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
随机森林分类器如何衡量变量的重要性？
该方法通过三种视角提供重要性指标：MDI（基于决策过程的贡献度）、Permutation（测试集数据随机打乱后的表现下降量）以及 SHAP（基于精确算法计算的局部与全局归因），系统会优先展示 SHAP 值以提供最准确的方向性解释。
如果我的数据样本量很少，使用该方法会有问题吗？
如果样本量少于 50 条，系统会触发 low_data_concern 预警。由于机器学习模型需要足够的数据来学习模式，样本过少可能导致预测不稳定，此时建议考虑增加样本量或改用经典的统计建模方法。
什么是“反幻觉 post-check”？
这是 Lattice 提供的质量保障机制。在使用随机森林分类器后，系统会自动检查模型是否存在过拟合、样本量不足或类别极度不均衡的情况，并在发现问题时自动生成警告，防止你基于不可靠的模型得出误导性结论。
Tool 输入字段
Schema for ml_random_forest not exported yet (run pnpm export:registry).