随机森林图像中决策树的数量和总颜色

Question

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，决策树会扩展并且可以包含更多颜色。

我不明白增加模型中树的数量如何影响色块的数量。我的印象是树的数量用于对值进行平均并消除偏差 - 所以我的印象是盒子的划分可能会改变，但颜色的总数将保持不变（因为你仍然有相同的数字做出的决定）。在为 [1, 3, 5, 10, 100] 的树运行模型时，我确实看到具有 100 棵树的模型通过框的阴影确实有更多的色块。

有人能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？

Answer 1

它不会增加色块的数量。

想象一下，如果你只有两个色块，黑色和白色，但你的森林里有 50 棵树。如果 25/50 棵树预测黑色，而其他树预测白色，你会给什么颜色打分？您可以简单地输出黑色或白色，但您也可以输出灰色作为更准确的可视化效果。

这就是您的可视化正在做的事情，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。