随机森林可能会过拟合。我确信这一点。通常的意思是，如果你使用更多的树，模型就不会过拟合。

尝试例如估计模型$y = log(x) + \epsilon$与随机森林。你会得到一个几乎为零的训练错误，但一个糟糕的预测错误

我将尝试在 Donbeo 的回答和 Itachi 的评论的基础上给出更彻底的答案。

随机森林可以过拟合吗？
简而言之，是的，他们可以。

为什么有一个普遍的误解，即随机森林不能过拟合？
原因是，从外部看，随机森林的训练看起来与其他迭代方法（如梯度提升机或神经网络）的训练相似。
然而，大多数其他迭代方法减少了模型对迭代的偏差，因为它们使模型更复杂 (GBM) 或更适合训练数据 (NN)。因此，众所周知，这些方法会受到过度训练的影响，如果训练时间过长，则会过度拟合训练数据，因为减少偏差会增加方差。
另一方面，随机森林只是简单地对迭代中的树进行平均，从而减少模型的方差，同时保持偏差不变。这意味着它们不会受到过度训练的影响，并且确实添加更多的树（因此训练时间更长）不会成为过度拟合的根源。这就是他们获得非过度拟合声誉的地方！

那么他们怎么能过拟合呢？
随机森林通常由高方差、低偏差的完全成熟的决策树构成，它们的优势来自对这些树进行平均所带来的方差减少。但是，如果树的预测彼此过于接近，则方差降低效果有限，最终可能会过度拟合。
例如，如果数据集相对简单，则可能会发生这种情况，因此完全生长的树可以完美地学习其模式并进行非常相似的预测。也具有较高的值mtry，每次拆分时考虑的特征数量会导致树更加相关，因此会限制方差减少并可能导致一些过度拟合
（重要的是要知道mtry在许多情况下仍然非常有用，因为它使模型对噪声特征更加鲁棒）

我可以解决这个过度拟合吗？
像往常一样，更多的数据会有所帮助。
限制树的深度也被证明有助于解决这种情况，并减少所选特征的数量以使树尽可能不相关。

作为参考，我真的建议阅读 Elements of Statistical Learning 的相关章节，我认为它给出了非常详细的分析，并深入研究了它背后的数学。

哈斯蒂等人。在Elements of Statistical Learning（第 596 页）中非常简要地解决了这个问题。

另一种说法是随机森林“不能过度拟合”数据。确实，增加$\mathcal{B}$[集成中树的数量]不会导致随机森林序列过拟合……但是，这个限制可以使数据过拟合；完全生长的树的平均值可能会导致模型过于丰富，并产生不必要的方差。Segal (2004) 通过控制随机森林中生长的单棵树的深度证明了性能的小幅提升。我们的经验是，使用成熟的树很少会花费太多，并且会减少一个调整参数。