DT
根据 scikit doc (http://scikit-learn.org/stable/modules/tree.html)，“predict_proba”函数返回每个类的概率，即叶子中同一类的训练样本的分数。这到底是什么意思。
如果你没有限制地种植你的树 - 这意味着什么，预测 proba 将始终输出 100%。但是，如果您以某种方式限制树的大小（例如通过 max_depth），那么实际上某些叶子最终会得到来自不同类的样本，然后预测概率，如果在此类叶子中完成分类，则返回每个类别的概率与该叶子中的每个类别样本成比例。例如，您最终得到一个叶子，其中包含来自第 1 类的 3 个样本和来自第 2 类的 2 个样本，那么如果您最终在这个叶子中，您将输出 [0.6 0.4] (3/(3+2)=3/5=0.6 = 60% 是您应该分配类别 1 的概率，而 2/(3+2)=2/5=0.4 = 40% 分配类别 2。
射频 1
在随机森林分类器中采样替换（引导）有什么好处。与粘贴相比，它提供了哪些额外的好处，即获取数据集的随机子集 (http://scikit-learn.org/stable/modules/ensemble.html)
它使您的训练集的大小与原始集相同，因此您可以或多或少地使用与单个树相同的超参数范围。此外，这使训练集更加多样化（因为您对一些样本进行了人工“增强”，这些样本被多次绘制）。它还具有更好的统计特性，因此可以更好地估计估计器的特性（例如它的泛化能力）
射频 2
scikit 随机森林分类器中有一个参数为“bootstrap_features”（特征是在有或没有替换的情况下绘制的）。用替换绘制特征到底是什么意思。根据我的理解，在种植一棵树时，您不能再次使用相同的功能。那么替换一个特性到底是什么意思。
No, there is not
类 sklearn.ensemble.RandomForestClassifier(n_estimators=10,
标准='gini'，max_depth=None，min_samples_split=2，
min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='auto',
max_leaf_nodes=None, bootstrap=True, oob_score=False, n_jobs=1,
random_state=None，verbose=0，warm_start=False，class_weight=None
也许你的意思是通用 Bagging？然后您可以多次使用每个功能。
射频 3
从随机森林分类器中学习变量重要性背后的直觉是什么。
这只是衡量每个特征在树中用于做出决策的样本数量，因此 - 分数越低，如果从数据集中删除此特征，损失越少。您可以通过多种方式使用它，包括特征选择、数据分析反馈等。
用作树中决策节点的特征的相对等级（即深度）可用于评估该特征相对于目标变量的可预测性的相对重要性。树顶部使用的特征用于对大部分输入样本的最终预测决策做出贡献。因此，它们贡献的样本的预期分数可以用作特征相对重要性的估计。