随机森林算法就是建立n个决策树，将要预测的数据放入n个决策树，得到结果次数最多的类就是该数据属于的类。
建立n个决策树：
采用自助法重采样技术，即在总体有放回地取n次样本，每个样本含有m个数据。建立n个决策树。
每个决策树的建立：
决策树每个分支的根节点都是数据的一个属性，根据条件（可以是离散值，也可以是连续值的临界点）划分成两个或多个子树，并尽量让一个分裂子集中待分类项属于同一类别。
ID3算法中：
选择根节点的顺序是根据信息增益的大小来排的
设D为用类别对训练元组进行的划分，则D的熵（entropy）表示为：
其中pi表示第i个类别在整个训练元组中出现的概率，可以用属于此类别元素的数量除以训练元组元素总数量作为估计。熵的实际意义表示是D中元组的类标号所需要的平均信息量。熵代表事务的不确定性，熵越大，代表越不确定。
现在我们假设将训练元组D按属性A进行划分，则A对D划分的期望信息为：
即为条件熵H（D｜A），
而信息增益即为两者的差值：
然后选择增益率最大的属性进行分裂。递归使用这个方法计算子节点的分裂属性，最终就可以得到整个决策树。
对于临界点的值，可以先将D中元素按照特征属性排序，则每两个相邻元素的中间点可以看做潜在分裂点，从第一个潜在分裂点开始，分裂D并计算两个集合的期望信息，具有最小期望信息的点称为这个属性的最佳分裂点，其信息期望作为此属性的信息期望。
C4.5算法中：
定义了“分裂信息”，其定义可以表示成：
其中各符号意义与ID3算法相同，然后，增益率被定义为：
C4.5选择具有最大增益率的属性作为分裂属性
停止条件：
决策树的构建过程是一个递归的过程，所以需要确定停止条件，否则过程将不会结束。一种最直观的方式是当每个子节点只有一种类型的记录时停止，但是这样往往会使得树的节点过多，导致过拟合问题（Overfitting）。另一种可行的方法是当前节点中的记录数低于一个最小的阀值，那么就停止分割，将max(P(i))对应的分类作为当前叶节点的分类。
