除Smile、Spark、Weka外Java/CPP的RandomForest Regression实现库有哪些

以下推荐均排除你提到的Smile、Spark、Weka三类工具，优先排序靠前的为Apache开源许可方案：

Java 生态实现 #

• Apache Commons Math：Apache 2.0许可，属于轻量级通用数值计算工具集，内置的随机森林回归实现无额外重型依赖，API简洁易用，支持自定义树深度、采样比例、分裂阈值等核心参数，适合小型单机项目、嵌入式Java场景使用。
• H2O Java Core：Apache 2.0许可，可单独引入H2O的核心Java包无需依赖完整H2O平台，随机森林回归实现同时支持单机、分布式训练，内置缺失值自动处理、特征重要性输出、交叉验证等工程化功能，性能优于通用数值库实现，适合中等规模以上数据集的训练场景。
• JBoost：Apache 2.0许可，专门面向集成学习的工具库，随机森林回归支持自定义损失函数，可输出模型结构可视化结果，适合需要做集成算法二次开发的场景。

C++ 生态实现 #

• Apache MXNet C++ API：Apache 2.0许可，MXNet的C++接口封装了优化后的随机森林回归实现，支持CPU/GPU异构加速，可与深度学习模型混合部署，适合同时用到传统机器学习和深度学习的工业级落地场景。
• MLpack：BSD 3-Clause许可（商用友好，和Apache 2.0许可兼容性高），C++原生机器学习库，随机森林回归做了大量内存和运算优化，运行速度极快，仅需引入头文件即可使用无额外依赖，适合高性能、低延迟的部署场景。
• Shark ML：LGPL许可，C轻量机器学习库，随机森林回归支持在线增量训练，适合数据流场景下的模型迭代，对嵌入式C环境兼容性较好。

补充说明：Apache 2.0许可的所有实现均可直接用于商用项目，无需开源二次开发后的代码。

内容的提问来源于stack exchange，提问作者Ambi