如何控制用于训练森林中每棵树的子样本的大小？ 根据scikit-learn的文档:
A random forest is a meta estimator that fits a number of decision tree classifiers on various sub-samples of the dataset and use averaging to improve the predictive accuracy and control over-fitting. The sub-sample size is always the same as the original input sample size but the samples are drawn with replacement if bootstrap=True (default).
所以bootstrap允许随机性，但找不到如何控制子样本的数量。
最佳答案
Scikit-learn 不提供此功能，但您可以通过使用树和装袋元分类器组合的(较慢)版本轻松获得此选项:
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
clf = BaggingClassifier(base_estimator=DecisionTreeClassifier(), max_samples=0.5)
顺便说一句，Breiman 的随机森林确实不考虑子样本作为参数，完全依赖 bootstrap，因此大约使用 (1 - 1/e) 的样本来构建每棵树。
关于machine-learning - scikit-learn RandomForestClassifier 中的子样本大小，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/40847745/