Python 随机森林回归中的样本大小

如果理解正确，当计算随机森林估计器时，通常采用自举法，这意味着树（i）仅使用通过替换选择的样本（i）中的数据构建。我想知道sklearn使用的样本大小

我看到的唯一一件事是：

bootstrap : boolean, optional (default=True)
    Whether bootstrap samples are used when building trees.

但是没有办法指定样本大小或比例，也没有告诉我默认的样本大小

---

我觉得至少应该有办法知道默认样本大小是多少，我遗漏了什么？

引导的样本大小始终是样本数

您没有遗漏任何内容，for

RandomForestClassifier

上也提出了相同的问题：

引导样本大小始终与输入样本大小相同。如果您觉得可以，那么更新文档的请求可能会非常受欢迎

---

嗯，我同意你的看法。很奇怪，我们不能在

randomforestrestregistor

algo中指定子样本/引导大小。也许一个潜在的解决方法是使用

BaggingRegressor

---

RandomForestRegressor

只是

BaggingRegressor

的一个特例（使用引导减少一组低偏差高方差估计值的方差）。在

RandomForestRegressionor

中，基本估计器被强制为

欺骗树

，而在

BaggingRegressionor

中，您可以自由选择

基本估计器

。更重要的是，您可以设置自定义子样本大小，例如

max_samples=0.5

将绘制大小等于整个训练集一半的随机子样本。此外，您还可以通过设置

max\u features

和

bootstrap\u features

来选择功能的一个子集。在0.22版的scikit learn中，添加了

max\u samples

选项，执行您要求的操作：类的文档。

自0.22版以来，

max_samples

控制

从X中提取的样本数，以训练每个基本估计器。