随机森林图像中的决策树数和总颜色

Question

我正在训练一个随机森林模型，使用sklearn作为图像。我了解到，通过增加模型的深度，决策树可以扩展，可以包含更多的颜色。

不过，我不明白增加模型中的树数是如何影响色块数量的。我的印象是，树的数量被用来对值进行平均化，消除偏见--所以我的印象是，盒子的划分可能会改变，但颜色的总数量将保持不变(因为你仍然有相同的决策数量)。在运行1，3，5，10,100的树模型时，我确实看到，有100棵树的模型确实通过框的阴影有更多的颜色补丁。

有人能给我解释一下为什么增加树木的数量似乎会增加颜色斑块的数量吗？

​

Answer 1

它不会增加颜色补丁的数量。

想象一下，如果你只有两个色块，黑色和白色，但在你的森林中的50棵树。如果25/50的树预测黑色，而其他的预测是白色，你会给出一个点什么颜色？您可以简单地输出黑色或白色，但您也可以输出灰色作为一个更准确的可视化。

这就是你的视觉效果，原色保持不变，但是如果集合中的不同树预测不同，它们可以混合。