两个随机性是随机森林的核心

在随机森林算法中，有两个关键的随机过程使其能够有效地避免过拟合现象：

A: 构建决策树输入数据的随机选取
D: 构建决策树所需特征的随机选取

**专业分析：**

1. **构建决策树输入数据的随机选取（A）**：
随机森林通过对原始数据集进行有放回的随机抽样（即Bootstrap抽样），生成多个不同的子数据集。每个子数据集用于训练一棵决策树。由于每个子数据集都是从原始数据集中随机选取的，因此每棵决策树看到的数据样本是不同的。这种随机选取过程增加了模型的多样性，有助于减少过拟合。

2. **构建决策树所需特征的随机选取（D）**：
在构建每棵决策树的过程中，随机森林算法在每个节点分裂时，并不是使用所有的特征来选择最佳分裂点，而是从所有特征中随机选取一个子集，然后在这个子集中选择最佳分裂点。这一过程称为特征随机选取。这样做可以进一步增加模型的多样性，降低决策树之间的相关性，从而减少过拟合的风险。

这两个随机过程（A和D）共同作用，使得随机森林模型具有较强的泛化能力，能够在避免过拟合的同时保持较高的预测准确性。

因此，正确答案是：**A 和 D**。