我的情况是：我能够使用random forest来进行二元分类问题；请注意，给定一个特征向量，一个典型的random forest模型可以预测它是属于1组还是0组，从而进行二元分类。
然而，由于多种原因，对于每个特征向量，我希望得到一个从0到1的分数，而不是0/1标签。理想情况下，分数越高，我对该特征向量应归入1组的信心就越大；否则，它应该属于0组。
所以这仍然是一个0/1分类，但这次，我希望得到一个从0到1的分数，而不是0或1的标签。
我被告知，一些统计分类方法，例如naive Bayes，可以生成可能性分数，表示给定的特征向量是否应归入0组或1组。然而，我在我的数据集上使用naive Bayes进行了快速的10折验证，并与random forest进行了比较，其表现看起来非常差。
精确度 召回率 random forest 0.901 0.907naive Bayes 0.752 0.653太差了…我想保持random forest的高性能，同时获得一个score..
我知道random forest具有特殊的树状结构，作为机器学习的新手，我不知道如何操纵random forest来生成分数。
所以我的问题是，如何操纵random forest，给定一个特征向量样本，生成一个从0到1的分数，而不是0或1的标签？我表达得足够清楚了吗？谢谢你！
回答：
这是随机森林的一个常规功能。获取这个分数的最简单方法是：森林中的每一棵树都对0/1做出决策。计算这些决策的平均值。你现在将得到一个在[0,1]范围内的分数。
如果你的随机森林软件包不提供此功能，你应该寻找另一个提供此功能的实现（或者检查文档，你可能错过了）。
例如，在scikit-learn中，你可以调用predict_proba方法来获取概率，而只调用predict来获取决策。
