建议楼主先学习,这些问题如果你真的把理论搞懂了自己就会有判断,即使别人给你什么建议你自己学会需要多长时间?是否可行?这些都是技术应用的成本当加以仔细考虑.

同意第二楼观点

经典回归解释性能强，回归系数可以用经济含义解释，适合做实证研究。但由于可能的过度拟合或者拟合不足3问题，可能导致预测性能不佳，要解决这个问题又会涉及到变量选择和变量转换，加惩罚项的问题。
随机森林类似黑箱，模型不易用经济含义解释，但由于在种树时会随机选取特征变量，并汇总每棵树的预测结果(回归问题取均值或众数，分类问题则投票），省去了模型选择的问题，并抑制了过度拟合的现象，从而提高了预测精度，适合用来解决实际问题。随机森林也是用来解决高维数据建模（p>n）的一种思路。
论算法复杂度，通常随机森林更复杂。

谢谢您的回复。

其实或许这2种方法就不应该做比较？

传统的经典回归通常的步骤是假定分布-假设检验-p值的经典统计过程，但是随机森林完全抛弃了这种思路。
不是说随机森林不好，因为它又给了一个很强的预测。

所以什么时候该用什么方法我依旧很不能确定。或许是用传统的方式建模久了，感觉随机森林这种忽视变量之间关系的方法（例如价格上升，销售数量势必下降，这种简单的关系式都忽视），心里暂时有些难以接受。

抛砖引玉，继续希望高人发表见解，谢谢。

You know, for traditional regression-based mode,prior assumptions make it far away from reality though simplify the problem and undermine the prediction accuracy. Anyway, it is consistent with causual relationship where economists care about a lot.

RF is supposed to establish a black-box machine. We input everything it requires and it outputs what we need. Compared to statistical or economic theory, efficient algorithm with low computational cost, neat/clean code, and optimized prediction results are much more concerned by machine learning guys