随机森林是通过组合弱学习器(决策树)来产生高性能且广泛使用的集成学习模型之一。随机森林算法在很多情况下以“黑盒”的方式存在,对于用户而言,参数调整,训练甚至最终构建的模型细节是隐蔽的,这导致了随机森林模型的可解释性非常差,所以在一定程度上阻碍了该模型在一些需要透明化和可解释性需求高的预测领域的使用,比如医学诊断、司法、安全领域等。随机森林模型的可解释性挑战主要来源于特征选择和数据的随机性。同时随机森林包含许多决策树,每颗决策树都有独特的结构和属性,比如每颗决策树使用的特征以及决策树中节点的特征阈值,用户需要识别更多特定的决策路径,这将是一个非常耗费时间和精力的过程,并且增加了用户的认知负担。如果缺乏适当的可视化工具用户很难理解和比较所有决策树的结构和属性。为此,本文运用可视化及可视分析技术,帮助用户从不同的角度理解随机森林模型,提高随机森林的可解释性。本文的主要贡献体现如下:(1)针对随机森林特征和预测之间的关系中,本文设计了部份依赖图来展示特征值的变化对预测值的影响。针对大量的决策树,本文设计了树视图来展示决策树的基本结构和决策路径。针对数据实例的理解,本文使用了基于t-分布随机邻域嵌入(t-SNE)降维算法,它将高维特征向量投影到二维平面上,形成数据总览视图,灵活直观的展现数据实例,反映数据样本集群和异常值情况。(2)设计了可视化映射、交互和布局算法并实现了可视分析系统FORESTVis,该系统综合了从数据到视觉呈现的映射算法、多个视图的布局算法和交互方法,帮助用户从多个角度理解随机森林的基本结构、工作机制以及预测结果。通过交互式可视化界面,帮助用户分析训练后随机森林的性能,并且提供实例、随机森林模型特征的详细信息,而这些详细信息对于理解、诊断、优化模型非常有用。该系统可以由较少机器学习专业知识的领域专家使用,用户只需要通过浏览器访问,就可以连接到该系统。总之,该系统包括树视图、部分依赖图、t-SNE投影图、特征视图等多个交互式可视化组件,借助该系统,相关研究人员和从业人员可以直观地了解随机森林的基本结构和工作机制,并协助用户对模型的性能进行评估。(3)最后,在公开Kaggle数据集上进行案例分析,分别使用文本数据实例和图像数据实例验证了本文的可视分析方法,结果表明本方法可以帮助用户理解、诊断、以及优化随机深林模型,从而提高了随机森林模型的可解释性。