请阐述随机森林在数据挖掘中执行分类与回归任务的具体方法，包括其算法流程、关键参数及其对模型性能的影响。

回答思路

1. 【回答框架 1】随机森林是一种基于决策树的集成学习算法，通过自助采样（bootstrap）生成多个训练子集，每个子集训练一棵决策树，并在节点分裂时随机选取部分特征进行最优划分。分类任务中，最终结果由所有树的投票决定；回归任务中，则取所有树预测的平均值。
2. 【回答框架 2】其核心机制是随机性，包括样本随机和特征随机，从而降低树之间的相关性，提高模型的泛化能力。相比单一决策树，随机森林能有效减少过拟合，对噪声和异常值具有较好的鲁棒性。
3. 【回答框架 3】关键参数包括：树的数量（n_estimators），通常越大效果越稳定但计算成本增加；最大深度（max_depth）和最小样本分割数（min_samples_split）控制树的复杂度；特征采样数（max_features）则影响随机性强度。实际应用中需要通过交叉验证调整这些参数。
4. 【回答框架 4】在数据挖掘中，随机森林还能输出特征重要性，用于特征选择。分类任务需注意类别不平衡问题，回归任务则需关注预测值的范围，必要时进行对数变换等预处理。
5. 【关键点 1】随机森林通过构建多棵决策树并集成结果来提升预测性能，分类用投票，回归用平均。
6. 【关键点 2】样本和特征的双重随机性是其降低过拟合的关键。
7. 【关键点 3】参数调整需兼顾模型复杂度和计算开销，常用交叉验证确定最优组合。
8. 【关键点 4】特征重要性输出有助于筛选关键特征。
9. 【易错点 1】树的数量过多可能导致计算资源浪费，但一般不会过拟合。
10. 【易错点 2】特征采样数设置不当会影响模型性能，例如过小可能导致树之间相关性过高。
11. 【易错点 3】直接用于高维稀疏数据时效果可能不佳，需结合特征选择或降维。