随机森林图像中的决策树数量和总颜色

Question

我正在使用 sklearn RandomForestRegressor 为图像训练随机森林模型。我了解到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木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量做出的决定）。在 运行 [1, 3, 5, 10, 100] 树的模型上，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颜色块。

有人可以向我解释为什么增加树木的数量似乎会增加色块的数量吗？

Answer 1

不会增加色块数量。

想象一下，如果您只有黑色和白色两个色块，但您的森林中有 50 棵树。如果 25/50 棵树预测黑色，而其他树预测白色，您会给什么颜色打分？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。

这就是您的可视化所做的，原色保持不变，但如果整体中不同树的预测不同，它们可以混合。