diff --git a/docs/ml.md b/docs/ml.md
index 149f923..97bc22d 100644
--- a/docs/ml.md
+++ b/docs/ml.md
@@ -198,4 +198,40 @@
         容易过拟合：如果不进行剪枝，决策树可能会过度拟合训练数据。
         对噪声敏感：小的变化可能导致完全不同的树结构。
         处理连续变量效果较差：对于连续变量，决策树的划分可能不够精细。
-        倾向于偏向于多值特征：信息增益可能会导致决策树偏向具有更多取值的特征。
\ No newline at end of file
+        倾向于偏向于多值特征：信息增益可能会导致决策树偏向具有更多取值的特征。
+
+随机森林:构建多个决策树将其预测结果结合起来,从而提高模型性能
+    原理:
+        随机采样:
+            对于每一棵决策树，随机森林通过对训练数据进行有放回抽样，即每次从训练集中随机选择样本来构建一棵树。这样，在每棵树中，可能会有一些样本没有被选择到（这些样本称为“袋外样本”）。
+            每棵树都是在一个不同的子集上训练的，因此即使所有的树都是基于决策树模型，最终的森林也是多个“不同”的树.
+        特征随机性:
+            在每一棵树的节点划分时，随机森林不是在所有特征上选择最优切分点，而是随机选择一个特征子集来进行分裂。这样可以增加树之间的差异性，减少单棵树的过拟合风险。
+            例如，在某个节点上，随机选择k个特征（k通常小于总特征数），然后在这k个特征中选择最佳切分点。
+        决策树构建:
+            在每一棵决策树中，通常不对树的深度进行限制，或者只设置最小样本数和最大深度等限制条件。树的生长较为“自由”，这可以捕捉更多的数据复杂性。集成学习:
+            随着多棵树的训练完成，每棵树对样本进行独立的预测。在回归任务中，随机森林会对所有树的预测结果取平均值；在分类任务中，随机森林会采用投票机制，选择预测频次最多的类别作为最终结果。
+
+    优缺点:
+        优点:
+            减少过拟合：通过集成多棵决策树，随机森林通过平均（回归）或投票（分类）来减少单棵树可能发生的过拟合。
+            提高准确性：集成的多棵树的预测通常比单棵树要更准确，尤其在面对复杂和高维度数据时，随机森林表现得尤为出色。
+            处理大规模数据：可以处理高维数据，能够通过特征选择和随机性减少维度灾难。
+            鲁棒性强：即使某些特征或数据不完整，随机森林依然能够保持相对较好的性能。
+            特征重要性评估：通过分析每个特征在不同树中的表现，随机森林可以给出特征的重要性排序。
+
+        缺点:
+            模型复杂：由于包含多棵树，随机森林模型本身较为复杂，训练和预测时的计算开销较大，尤其是数据集非常庞大的时候。
+            可解释性差：相比单一的决策树，随机森林作为一个集成模型，其“黑箱”性质较强，难以直接解释其决策过程。
+            内存消耗大：由于随机森林需要存储多棵树，因此在内存和计算资源上会有较高的要求，尤其是在大数据集上。
+    适用场景:
+        高维数据和复杂数据：
+            随机森林能够自动处理高维数据和复杂的特征间关系，适合特征维度较高或者数据关系非线性的场景。
+        回归任务和分类任务：
+            随机森林既可以用于回归任务（例如预测房价、股市预测等），也可以用于分类任务（例如图像分类、文本分类等）。
+        数据噪声较多的场景：
+            随机森林通过集成多棵树来减轻单棵树可能发生的过拟合问题，因此特别适合处理带有噪声和缺失数据的任务。
+        特征选择：
+            在特征数量非常庞大的情况下，随机森林能够通过其特征重要性评估功能，自动筛选出对预测有重要贡献的特征。
+        非线性关系：
+            当数据中的特征和目标变量之间存在复杂的非线性关系时，单棵线性模型（如线性回归）可能表现不佳，但随机森林可以通过多棵树的集成来捕捉这些复杂的非线性关系。
\ No newline at end of file
diff --git a/output/random_forest_c.png b/output/random_forest_c.png
new file mode 100644
index 0000000..dab9d13
Binary files /dev/null and b/output/random_forest_c.png differ
diff --git a/random_forest_classification.py b/random_forest_classification.py
new file mode 100644
index 0000000..4ea918e
--- /dev/null
+++ b/random_forest_classification.py
@@ -0,0 +1,40 @@
+# 导入所需库
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.datasets import load_iris
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score, classification_report
+import matplotlib.pyplot as plt
+
+# 1. 加载数据集（这里使用鸢尾花数据集）
+iris = load_iris()
+X = iris.data
+y = iris.target
+
+# 2. 划分训练集和测试集（80%训练，20%测试）
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# 3. 创建随机森林分类器
+rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42)
+
+# 4. 训练模型
+rf_classifier.fit(X_train, y_train)
+
+# 5. 在测试集上进行预测
+y_pred = rf_classifier.predict(X_test)
+
+# 6. 评估模型性能
+accuracy = accuracy_score(y_test, y_pred)
+print(f"模型准确率：{accuracy:.4f}")
+
+# 输出详细的分类报告（精确率、召回率、F1分数等）
+print("分类报告：")
+print(classification_report(y_test, y_pred))
+
+# 7. 可视化特征重要性（可选）
+feature_importances = rf_classifier.feature_importances_
+
+plt.figure(figsize=(10, 6))
+plt.barh(iris.feature_names, feature_importances)
+plt.xlabel("feature importance")
+plt.title("random forest model feature importance")
+plt.savefig('./output/random_forest_c.png')