在通常的线性回归中，一切对我来说都很清楚——我推导出了构建模型的截距、自变量的系数，并编制了一个可以在实践中应用的经典线性回归方程。你能告诉我如何使用 RandomForestRegressor 获得类似的结果吗？“黑匣子”形式的模型还不错，但我想了解如何通过自变量来实现因变量的期望值。我阅读了文档，除了 R2 和 feature_importances_ 之外，我没有找到任何其他类似于 beta 回归系数的东西。或者我不明白的东西。
提前致谢！
RError.com
在通常的线性回归中，一切对我来说都很清楚——我推导出了构建模型的截距、自变量的系数，并编制了一个可以在实践中应用的经典线性回归方程。你能告诉我如何使用 RandomForestRegressor 获得类似的结果吗？“黑匣子”形式的模型还不错，但我想了解如何通过自变量来实现因变量的期望值。我阅读了文档，除了 R2 和 feature_importances_ 之外，我没有找到任何其他类似于 beta 回归系数的东西。或者我不明白的东西。
提前致谢！
也许线性回归的例子很好，但是随机森林的结构要复杂得多。
RandomForestRegressor-- 模型的集合（即组合）n_estimatorsDecisionTreeRegressor。每棵树在设置超参数后，都会对新的观察结果进行预测。它根据附上的第一张图片进行预测（只有一个分类任务）。每次拆分时，尽量减少样本中的方差（实际上，一切都稍微复杂一点，您可以在这里阅读：https ://habr.com/en/post/116385/ ）
在新样本命中树的某个叶子后，它会预测例如来自该叶子的目标的平均值（最简单的启发式方法）。
森林，在收到所有树的预测后，可以，例如，再次平均它们（在回归问题的背景下）并发出最终预测（再次，这是最简单的启发式）
很明显，该方法与 相比要严重得多
LinearRegression，因此不太可能用一个公式来描述预测（如果我弄错了，请我的同事纠正）