大模型热搜第一，企业后台还在跑一片“林子”

weixin_42415766

193人浏览 · 2026-10-01 20:45:24

weixin_42415766 · 2026-10-01 20:45:24 发布

2026 年，大模型发布会一个接一个。上下文更长、多模态更全、API 更便宜，技术社区的讨论几乎被生成式 AI 占满。

但把视角切到银行风控、保险核保、电商反刷单、工业设备预警这些系统后台，会发现另一件事：

很多核心预测任务，仍然由一片“林子”在完成。

不是比喻。是随机森林（Random Forest）。

一、为什么表格数据不爱换模型

企业里最常见的数据，不是文章、图片、视频，而是表格：

用户年龄、城市、设备、历史交易笔数
设备温度、转速、振动幅度、停机次数
保单渠道、免赔额、理赔次数、医院等级

这类数据有几个共同特点：

特征有业务含义
样本量不一定大
噪声多、缺失多、口径乱
预测结果要能解释给监管/客户/老板听

在这种场景下，随机森林的优势不是“最准”，而是够准、够稳、够便宜、够好懂。

Breiman 2001 年提出随机森林后，它长期是表格数据建模的默认基线。

二、随机森林到底在干什么

两句话就能说清：

对训练集做多次有放回抽样，得到很多子集
每个子集训一棵决策树，预测时分类投票、回归平均

核心公式只有两个。

分类：

$$\hat{y}(x)=\arg\max_c \sum_{k=1}^{K}\mathbb{I}\big(T_k(x)=c\big)$$

回归：

$$\hat{y}(x)=\frac{1}{K}\sum_{k=1}^{K}T_k(x)$$

每次 Bootstrap 抽样时，某个样本没被抽中的概率是：

$$\left(1-\frac{1}{n}\right)^n \to \frac{1}{e}\approx 0.368$$

所以每棵树大约有 36.8% 的训练样本没见过，这些样本就叫 Out-of-Bag（OOB）。

随机森林厉害的地方就在这：

OOB 预测不需要单独再切验证集，训练完顺手就能估泛化误差。

三、它凭什么 2026 年还不退休

1. 几乎不挑预处理

线性回归、神经网络通常要标准化、编码、填充策略很讲究。

随机森林：

不用强制标准化
能混着吃连续特征和类别特征
对异常值没那么敏感
缺失值处理也比很多模型宽容

工程落地时，这比“准确率多 0.3%”还重要。

2. CPU 就能跑

大模型推理要 GPU、要显存、要批处理、要缓存、要限流。

随机森林：

多核 CPU 可并行
单条预测毫秒级
模型文件小
部署到老服务器也跑得动

对很多公司内部系统来说，延迟和成本比“模型新不新”更现实。

3. 能解释

随机森林可以输出：

特征重要性
单棵树决策路径
某条样本为什么被拒

在风控、医疗、保险里，这叫“可审计”。

不是锦上添花，是上线门槛。

4. 小样本也不容易崩

深度学习吃数据。

表格数据里经常是：

800 条设备失效记录
1200 个罕见病样本
3000 条欺诈案例

这时候随机森林比深层网络稳得多。

四、XGBoost / LightGBM / 随机森林怎么选

别神化随机森林，也别小看它。

场景	更合适
快速建基线、要稳、要可解释	随机森林
大数据、要榨精度、愿意调参	XGBoost / LightGBM
高基数类别、超大样本、低延迟	LightGBM
少样本 + 特征有语义	表格基础模型 / LLM 辅助树模型
要写规则给监管看	决策树 / 随机森林

现实工业栈通常是：

LLM：做文本抽取、语义理解、特征假设
随机森林 / GBDT：做主预测、做路由、做异常检测
规则引擎：做合规兜底

不是“谁取代谁”，是各干各的活。

五、2026 的新变化：LLM 给“林子”当设计师

有个 2026 年的工作叫 FORESTLLM。

思路很有意思：

不让大模型在线上做预测
而是让 LLM 在训练阶段当“离线架构师”
用语义判断“这个分裂点讲不讲得通”
再用 LLM 把叶节点里的少量样本蒸馏成稳定规则

结果是：

少样本表格任务更强
推理时还是树模型
不依赖大模型在线推理
延迟和成本没炸

一句话概括：

大模型负责“想明白”，林子负责“跑得稳”。

六、能跑的代码

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

X, y = make_classification(
    n_samples=50000,
    n_features=60,
    n_informative=20,
    n_redundant=15,
    random_state=42
)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

clf = RandomForestClassifier(
    n_estimators=300,
    max_depth=15,
    min_samples_leaf=3,
    max_features="sqrt",
    n_jobs=-1,
    oob_score=True,
    random_state=42
)

clf.fit(X_train, y_train)

print("OOB AUC :", clf.oob_score_)
print("Test AUC:", roc_auc_score(y_test, clf.predict_proba(X_test)[:, 1]))

输出通常是：