Python 3.x RandomForestClassifier不同于BaggingClassifier

使用baseestimator=RandomForestClassifier的BaggingClassifier与sklearn中的RandomForestClassifier有何不同？

RandomForestClassifier与BaggingClassifier一样，通过bagging从外部引入了与单个树拟合相关的随机性

---

然而，它通过对候选分割特征列表进行子采样，将随机性也注入到树构造过程的深处：在每个新分割处考虑一组新的随机特征。这种随机性是通过RandomForestClassifier的max_features参数控制的，该参数在BaggingClassifier中没有等效项base_estimator=DecisionTreeClassier。

我想你是说BaggingClassifier的base_estimator=DecisionTreeClassier对吗？base_estimator=RandomForestClassifier，我们不能使用它吗？你可以，但我看不出有什么意义。但是BaggingClassifier也有参数max_特性？那么它有什么不同呢？对于n_估计器=500 BaggingClassifier，它不起作用，但在RandomForestClassifier中，它起作用。我想知道是什么原因导致这两种情况下的时间和内存差异如此之大。BaggingClassifier的特征采样是对每棵树进行一次特征采样操作。RandomForestClassifier的特征采样是对树中的每个分割/节点进行一次独立的特征采样。谢谢，消除了一些疑问，这是一个需要探索和理解的大领域！：