随机森林是由多个()组成的集成模型。A. 决策树B. 支持向量机C. 神经网络D. 线性回归模型

随机森林是一种集成学习方法，其核心思想是通过组合多个基模型来提升预测性能。本题的关键在于明确随机森林的基模型类型。

• 决策树是随机森林的基本组成单元，每棵树通过随机采样数据和特征进行训练，最终通过投票或平均方式生成结果。
• 其他选项（如支持向量机、神经网络、线性回归）虽然属于机器学习模型，但并非随机森林的组成部分。

随机森林的定义明确指出其由多棵决策树构成：

1. 基模型类型：每棵树独立训练，通常采用 CART（分类与回归树）算法。
2. 集成方式：分类任务采用多数投票，回归任务采用平均值。
3. 随机性来源：数据随机采样（bagging）和特征随机子集选择，增强模型泛化能力。

排除其他选项：

• 支持向量机：需核函数设计，计算复杂度高，不适合作为集成基础。
• 神经网络：训练耗时且易过拟合，随机森林强调轻量化和稳定性。
• 线性回归：仅适用于线性关系，无法捕捉复杂数据模式。