元随机森林分类器是如何确定最终分类的？

Question

我正试图确切地了解元随机森林分类器是如何确定最终预测的，我知道存在一个投票系统，并且使用决策树的聚合来找到最终的预测，我从这里读到：Python中的随机森林分类：

随机森林是一种集合决策树算法，因为在回归问题中，最终预测是每个决策树预测的平均值；在分类中，它是最频繁的预测的平均值

我阅读了RFC源代码：合奏/森林：

输入样本的预测类别是森林中树木的投票，按其概率估计进行加权。也就是说，预测类别是平均概率估计值最高的一类。

这是否意味着，例如：

我们有3类(A，B，C)的估计器，每棵树都有一定数量的最终叶节点，并有一个类预测；

A类、B类或C类的概率是叶节点预测A类的次数的结果，即Tree1: A类的预测次数为10次中的3次，其余7次为不同的类。

Class A: [0.30, 0.25, 0.30, 0.25] | mean = 0.275
Class B: [0.10, 0.40, 0.10, 0.40] | mean = 0.250
Class C: [0.70, 0.65, 0.70, 0.65] | mean = 0.675

所以元分类器可以预测C类，因为它具有最高的平均概率。这是正确的吗？还是我看错方向了？

Answer 1

您所预测的每个数据点x必须只在每棵树的一个叶节点中着陆。因此，如果我有N棵树，K_A是x在一个预测A的叶节点中结束的树数，那么我们可以说x是带有“概率”K_A/N的A类，对于其他类也是如此。然后，您可以根据“概率”对x所属的类做一个argmax预测(我一直把它放在引号中，因为这不是一个实际的概率，但有时这样想是可以的)。