1. 案例定位

Random Forest 作為 Ensemble Tree Method。

2. 學習目標

理解多棵 Trees 與單一 Decision Tree 的差異，並解讀 Variable Importance。

3. 案例情境

原書在 Decision Tree 後進一步展示 Random Forest Variable Importance。

4. 開始資料

Figure 11.18。

5. 分析方法

比較單一 Tree 與 Ensemble Prediction，再檢查 Importance。

6. 計算結果

本頁不重建 Figure 11.18 未完整擷取的 Importance 數值。

7. 結果分析與管理解讀

Ensemble 可提升 Predictive Robustness，但通常降低單一 Tree 的直接 Rule Interpretability。

8. AI Prompt

依原書比較 Decision Tree 與 Random Forest 在 Interpretability 與 Prediction 上的角色。

9. 思考／What-if

Random Forest Importance 高能否直接解讀成因果？

參考解答： 不能；Importance 是模型中的 Predictive Contribution，不等於 Causal Effect。

10. 資料說明