

> 本文是《滚动轴承故障诊断》系列的第 5 篇（随机森林）。
> 系列完整目录见文末【专栏导航】。本篇配套的可运行脚本与报错速查见公众号。

## 一、都是深度学习年代了，为什么还要学随机森林

先给结论：**因为论文里必须有对比实验。**

一篇故障诊断的毕设，评审最看重的就是"你凭什么说你的方法好"——这需要一个**对照组**。而随机森林正是最合适的对照组：

- 它代表"传统机器学习路线"（人工特征 + 集成学习）；
- 代码短、跑得快、不需要显卡，**几秒钟就能出一个可靠的基线成绩**；
- 用它证明"深度学习/残差网络确实比传统方法强"，比单独夸自己的模型有说服力得多。

所以本篇不是"凑数的"，它是你论文实验章节的**地基**。

## 二、随机森林原理

![随机森林 = 多棵决策树 + 投票表决（示意）](https://developer.qcloudimg.com/http-save/yehe-3636443/6a4143692b646779e15468dbf79c5872.png)


随机森林 = 很多棵决策树 + 投票表决。

- **决策树**：像"考公务员的一连串是非题"，根据特征不断把样本分到不同的叶子；
- **森林**：训练 50 棵彼此略有差异的树（每棵看的样本、看的特征都不同，防止"一棵树全错"）；
- **投票**：预测时 50 棵树各投一票，**得票最多的类别**就是最终答案。

"随机"两个字是关键：每棵树都只用随机抽出的样本和特征去学，这样它们**各不相同**，合起来才稳健——这也是"集成学习"的核心思想。

## 三、为什么要把信号"拍平"成 2000 维

这是随机森林最朴素也最关键的一步：

```python
m_train = train_data.reshape(N, -1)   # 每条样本 (1000, 2) → 摊平成 2000 个数
```

- 树模型**不理解"波形"的结构**，它只会把每一条样本看成一串数字（特征向量）；
- 所以把每条 1000×2 的样本"摊平"成 2000 个特征，喂给随机森林；
- 代价是：它看不到"波形的形状"，只能看到"这 2000 个数的取值"——这正是它不如深度网络的地方，后面会讲。

> 这一行代码也是全系列唯一一次"主动降维展开"的地方，值得记住：**树模型吃一维特征，神经网络吃多维结构。**

## 四、几个关键超参数在干什么

```python
RandomForestClassifier(n_estimators=50, min_samples_split=5,
                       min_samples_leaf=4, max_depth=5)
```

| 参数 | 含义 | 本项目取值 |
|---|---|---|
| `n_estimators` | 决策树棵数 | 50（越多越稳，但更慢） |
| `max_depth` | 树最大深度 | 5（防过拟合） |
| `min_samples_split` | 内部节点至少多少样本才继续分 | 5 |
| `min_samples_leaf` | 叶子节点最少样本数 | 4 |

这套参数是一个"够用且不贪"的组合：既保证有足够的表达能力，又通过深度限制和叶子下限**防止模型把噪声也背下来**（过拟合）。毕设里不需要调得很精，能讲清楚每个参数是干嘛的就够了。

## 五、结果怎么看

训练完会输出一个 `classification_report`，这是论文实验表的"原料"：

```
              precision  recall  f1-score  support
       0      0.84       1.00    0.91      411
       1      0.69       0.78    0.73      436
       2      0.57       0.41    0.48      413
       3      0.74       0.71    0.73      421
    accuracy                           0.73   1681
```

- **precision（精确率）**：说它是"内圈"，说对的比例；
- **recall（召回率）**：真的是内圈的样本，找回了多少；
- **f1**：两者的调和平均，综合分。

随机森林整体能到 **0.73 上下**——不错，但"只是 73"，它到底弱在哪，第 6 篇讲残差时会有对照组。

![随机森林分类报告（测试集 1681 条）](https://developer.qcloudimg.com/http-save/yehe-3636443/51bab0724e953d4bf9a861f5216b7131.png)



## 六、随机森林的"天花板"



承认它的局限，才显得专业：

1. **它看不到波形结构**：只会看 2000 个数的"数值"，抓不住"冲击、节奏、包络"这些波形特征；
2. **到 73% 就上不去了**：不是调参能救的，是模型表达能力的边界；
3. 但这恰恰是**它存在的价值**：没有这个 73%，就衬托不出深度网络 95% 的价值。

## 七、本篇小结

- 随机森林是论文的"对照组"，短平快、可复现；
- 它把样本"拍平"成特征向量、用树集成投票，**原理简单、结果稳定**；
- 完整脚本、运行步骤、结果解读见公众号。


### 专栏导航

| 篇次 | 主题 | 状态 |
|---|---|---|
| 1 | 项目总览与三模型对比 | ✅ |
| 2 | 环境部署 | ✅ |
| 3 | CWRU 数据集深度解析 | ✅ |
| 4 | 数据预处理源码走读 | ✅ |
| 5 | 随机森林实战（本文） | ✅ |
| 6 | 一维卷积与残差模块 | 排期中 |
| 7 | 模型训练与评估 | 排期中 |
| 8 | 可视化诊断系统 | 排期中 |
| 9 | 论文报告与答辩话术 | 排期中 |

---

**下一篇预告**：《一维卷积与残差模块：83% 到 95% 的原理拆解》，讲本系列最有含金量的一篇——为什么加一条"捷径"，准确率就能跳 12 个百分点。

---

*版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用。*



本文是《滚动轴承故障诊断》系列的第 5 篇（随机森林）。 系列完整目录见文末【专栏导航】。本篇配套的可运行脚本与报错速查见公众号。

手把手教你：基于深度学习的滚动轴承故障诊断｜第 5 篇 · 随机森林实战：传统方法为什么也要做

本期介绍传统机器学习方法随机森林：它像"50位评委投票"，原理简单稳定。测试集准确率约73%，虽比瞎猜强，但看不懂波形形状而难再提升。论文里它是完美"对照组"，衬托深度学习优势，为后续73%到95%的突破埋下伏笔。

算法

随机森林在滚动轴承故障诊断中作为论文对照组，通过将信号拍平成2000维特征，用50棵决策树投票实现73%准确率，为深度学习方法的95%效果提供对比基准。

数据预处理

机器学习

深度学习

代码解释

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

手把手教你：基于深度学习的滚动轴承故障诊断｜第 5 篇 · 随机森林实战：传统方法为什么也要做-腾讯云开发者社区-腾讯云

手把手教你：基于深度学习的滚动轴承故障诊断｜第 5 篇 · 随机森林实战：传统方法为什么也要做

手把手教你：基于深度学习的滚动轴承故障诊断｜第 5 篇 · 随机森林实战：传统方法为什么也要做

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐