Scikit learn 如何更改随机林用于从单个树做出决策的函数？
随机森林使用“大量的决策树在训练时输出类，这是单个树的类（分类）模式” 是否有一种方法可以代替使用作为模式的类，在原始树生成的输出上运行另一个随机林Scikit learn 如何更改随机林用于从单个树做出决策的函数？,scikit-learn,classification,random-forest,ensemble-learning,Scikit Learn,Classification,Random Forest,Ensemble Learning,随机森林使用“大量的决策树在训练时输出类，这是单个树的类（分类）模式” 是否有一种方法可以代替使用作为模式的类，在原始树生成的输出上运行另一个随机林 额外问题：这是个坏主意，有什么原因吗？（我相信人们以前会想到这一点）我认为这只是一个性能选项，您的想法听起来不错，但没有更好的“随机性”，但计算速度可能较慢。您可以访问拟合的随机林实例的估计器属性中的单个决策树 您甚至可以重新采样该属性（它只是一个决策树对象的Python列表），以添加或删除树，并查看对结果林预测质量的影响。>是否有方法在结果树上运
额外问题：这是个坏主意，有什么原因吗？（我相信人们以前会想到这一点）我认为这只是一个性能选项，您的想法听起来不错，但没有更好的“随机性”，但计算速度可能较慢。您可以访问拟合的随机林实例的
估计器您甚至可以重新采样该属性（它只是一个决策树对象的Python列表），以添加或删除树，并查看对结果林预测质量的影响。>是否有方法在结果树上运行另一个随机林，而不是使用作为模式的类？我不明白你在“决策树”上“运行”一个随机林是什么意思。@ogrisel op想使用每个分类器的输出作为特征来训练一个新的分类器。装袋一个已经装袋的算法实际上通常是有效的。为了使问题更清楚，感谢评论使用预测的叶子位置作为第二级分类器的特征可能是有用的，例如线性模型，如逻辑回归：