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）。 在运行 [1, 3, 5, 10, 100] 树的模型时，我确实看到有 100 棵树的模型通过框的阴影确实有更多的颜色块。

有人会向我解释为什么增加树的数量似乎增加了色块的数量？

Answer 1

它不会增加色块的数量。

想象一下，如果您的森林中只有两个色块，黑色和白色，但有 50 棵树。 如果 25/50 的树预测黑色，而其他树预测为白色，您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，但如果集成中不同的树预测不同，它们可以混合。