我正在尝试弄清楚在我的分类问题中，每次子采样时考虑了哪些特征。为此，我假设在构建每一棵树时会考虑长度为max_features的随机特征子集。
我对此感兴趣，因为我在这个问题中使用了两种不同类型的特征，所以我想确保在每一棵树的每个节点分裂时都使用这两种类型的特征。一种至少让每棵树考虑所有特征的方法是将max_features参数设置为None。所以这里有一个问题是：
这是否意味着每一次节点分裂时都会考虑这两种类型的特征？
从前面的问题派生出的另一个问题是：
由于随机森林为每棵树进行子采样，这种子采样是在案例（行）之间还是在列（特征）之间进行的？此外，这种子采样是否可以按行组而不是随机进行？
此外，将所有特征用于max_features参数似乎既不适用于决策树也不适用于随机森林，因为这与随机森林在树之间相关性方面的定义和整体目的背道而驰（我对这个说法不是完全确定）。
有没有人知道这是否可以在源代码中修改，或者至少可以用不同的方式处理？
欢迎任何建议或评论。
请随时纠正任何假设。
我在阅读源代码时尝试了解这一点，但未能找到可能定义此内容的地方。
迄今为止检查的源代码包括：
回答：
这是否意味着每一次节点分裂时都会考虑这两种类型的特征？
鉴于您在上面正确指出，将max_features设置为None确实会强制算法在每次分裂时考虑所有特征，您在这里到底在问什么并不清楚：所有就是所有，从算法的角度来看，并没有不同“类型”的特征。
由于随机森林为每棵树进行子采样，这种子采样是在案例（行）之间还是在列（特征）之间进行的？
两者都有。但就行而言，这并不完全是子采样，而是实际上的bootstrap采样，即带替换的采样，这意味着在每个样本中，一些行会缺失，而其他行会多次出现。
随机森林实际上是两个独立想法的结合：bagging，以及特征的随机选择。后者基本上对应于“列子采样”，而前者包括我刚才描述的bootstrap采样。
此外，这种子采样是否可以按行组而不是随机进行？
据我所知，在标准实现中（包括scikit-learn）是不可以的。
有没有人知道这是否可以在源代码中修改，或者至少可以用不同的方式处理？
在源代码中，一切都可以修改，字面上的意思；现在，是否真的有必要（甚至是一个好主意）这样做是另一个故事…
此外，将所有特征用于
max_features参数似乎不是一个好的假设
确实如此，因为这是区分RF与更简单的bagging方法（即bootstrap aggregating）的关键特征。实验确实表明，在每一步添加这种特征的随机选择会提升与简单bagging相关的性能。
虽然您的问题（和问题）听起来相当模糊，我的建议是“坐下来放松”，让（足够强大的）RF算法用您的数据完成它的工作…
