我有一个Sagemaker端点，用于提供一个随机森林分类器的SKLearn模型。该模型根据用户在网站上的互动预测用户的类型。我已经发布了这个模型的两个版本。

第一个模型有四种用户类型：'user-type-1', 'user-type-2', 'user-type-3', 'other'

第二个版本与第一个版本的不同之处在于使用了更多的训练数据，并且有10种用户类型：'user-type-1', 'user-type-2', 'user-type-3', 'user-type-4', 'user-type-5', 'user-type-6', 'user-type-7', 'user-type-8', 'user-type-9','other'。更具体地说，在第一个模型中，许多用户被预测为'other'，而在第二个模型中，这些用户中的许多被归入了新的类别之一。

两个模型的随机森林参数是相同的。

问题：第二个模型使用的内存比第一个模型多很多，我无法弄清楚原因。两个模型的大小相似，并且在第二个版本中对端点的调用次数与第一个版本相同。有什么想法可以解释为什么第二个模型需要比第一个模型更大、内存更多的实例吗？

回答：

分类类型的SkLearn树模型的values属性本质上是一个数据矩阵(n_leaves, n_classes)（与每个叶节点关联的概率分布）。

在第一次实验中，这个矩阵有4列，在第二次实验中它有10列——大小增加了2.5倍。