怎么理解随机森林的oob error？

严格来说，OOB error不能完全取代交叉验证（看完下文就知道了）。

OOB(Out-of-bag) error也叫做包外误差，是随机森林中的一种度量预测误差的方式。

我们知道随机森林是由很多数组成的，而每棵树当中只用了部分样本来训练。

假设训练集中一共有$N$个样本$x_1,x_2,\cdots,x_N$，随机森林中有$M$棵树，$T_1,T_2,\cdots,T_M$。

对于一个样本$x_i$，我们用那些没有使用$x_i$训练的树组成的小随机森林来预测$x_i$，其预测误差就是$x_i$在这个随机森林上的OOB error，$\text{Err}_i$。

整个随机森林的OOB误差就是所有训练样本的平均OOB误差，

$$\text{OOB Error}=\sum^{N}_{i=1}\frac{\text{Err}_i}{N}$$

通常来说，OOB误差会比交叉验证的误差更大，因为估计OOB时，我们只用了随机森林中的部分树，没有使用完整的模型，限制了模型的发挥。但OOB省去了交叉验证中多次训练的步骤，所以比较方便，节约了时间。

是的，不需要交叉验证了。