Python 随机森林图像中决策树的数量和总颜色
我正在使用sklearn RandomForestRegressor为图像训练一个随机森林模型。我知道，通过增加模型的深度，决策树将扩展，可以包含更多颜色。Python 随机森林图像中决策树的数量和总颜色,python,random-forest,decision-tree,Python,Random Forest,Decision Tree,我正在使用sklearn RandomForestRegressor为图像训练一个随机森林模型。我知道，通过增加模型的深度，决策树将扩展，可以包含更多颜色。 但是我不明白增加模型中的树的数量如何影响色块的数量。我的印象是，树的数量用于平均值和消除偏差-因此我的印象是框的划分可能会改变，但颜色的总体数量将保持不变（因为您仍然有相同数量的决策）。在运行[1,3,5,10,100]树的模型时，我确实看到，具有100棵树的模型通过对框进行着色，具有更多的色块。 有人能给我解释一下为什么增加树木的数量
但是我不明白增加模型中的树的数量如何影响色块的数量。我的印象是，树的数量用于平均值和消除偏差-因此我的印象是框的划分可能会改变，但颜色的总体数量将保持不变（因为您仍然有相同数量的决策）。在运行[1,3,5,10,100]树的模型时，我确实看到，具有100棵树的模型通过对框进行着色，具有更多的色块。
有人能给我解释一下为什么增加树木的数量似乎会增加色块的数量吗？
它不会增加色块的数量 想象一下，如果你的森林里只有两块颜色，黑色和白色，但是有50棵树。如果25/50的树预测为黑色，而其他树预测为白色，你会给出什么颜色的分数？您可以简单地输出黑色或白色，但也可以输出灰色作为更精确的可视化
这就是可视化所做的，原色保持不变，但如果集合中不同的树预测不同，它们可以混合。这不会增加色块的数量 想象一下，如果你的森林里只有两块颜色，黑色和白色，但是有50棵树。如果25/50的树预测为黑色，而其他树预测为白色，你会给出什么颜色的分数？您可以简单地输出黑色或白色，但也可以输出灰色作为更精确的可视化 这就是可视化所做的，原色保持不变，但如果集合中不同的树预测不同，它们可以混合