我对于决策树和随机森林分类器有一些问题。

问题1：训练后的决策树是否唯一？

我认为它应该是唯一的，因为它在每次分裂时最大化信息增益。现在，如果它是唯一的，为什么决策树分类器中有random_state参数？因为它是唯一的，所以每次都可以重现。因此，决策树是唯一的，不需要random_state参数。

问题2：决策树实际上预测什么？

在研究随机森林算法时，我读到它会平均每个类别的概率来自其各个树。但是据我所知，决策树预测的是类别而不是每个类别的概率。

回答：

即使不查看代码，你也会在文档中看到这个说明：

在每次分裂时，特征总是随机排列。因此，即使在相同的数据集和max_features=n_features的情况下，如果在搜索最佳分裂过程中枚举的多个分裂的标准改进相同，最佳找到的分裂也可能有所不同。为了在拟合过程中获得确定性行为，必须固定random_state。

对于splitter='best'，这种情况发生在这里：

# 随机抽取一个特征f_j = rand_int(n_drawn_constants, f_i - n_found_constants,               random_state)

关于你的另一个问题，请阅读这个：

…

只需构建树，使得叶节点不仅包含单一的类别估计，还包含概率估计。这可以通过运行任何标准的决策树算法，并让大量数据通过它，并计算在每个叶节点中预测标签正确的时间比例来实现；这就是sklearn所做的。这些有时被称为“概率估计树”，尽管它们不能提供完美的概率估计，但它们可能是有用的。在21世纪初，有大量的工作研究它们，有时使用更复杂的方法，但sklearn中的简单方法在森林中使用时还是不错的。

…