在集成學習中可否將隨機森林中的基分類器（決策樹）替換爲線性分類器或K-近鄰。

隨機森林是屬於Bagging類的集成學習。Bagging的主要好處是集成後的分類器的方差，比基分類器的方差小。Bagging所採用的基分類器，最好是自己對樣本分佈較爲敏感的（不穩定的分類器），這樣的話Bagging才能發揮自己的性能。對於線性分類器或者K近鄰都是較爲穩定的分類器，對於這樣的分類器自己的方差就比較大，因此他們做爲基分類器使用Bagging並不能原有基分類器的基礎上得到更好的表現，甚至

>>阅读原文<<