如何控制用于森林中每棵树训练的子样本的大小？根据scikit-learn的文档：

随机森林是一种元估计器，它在数据集的各种子样本上拟合多个决策树分类器，并使用平均法来提高预测准确性和控制过拟合。子样本的大小始终与原始输入样本大小相同，但如果bootstrap=True（默认），样本是带有替换的抽取的。

所以bootstrap允许随机性，但找不到如何控制子样本的数量。

回答：

Scikit-learn不提供这种功能，但你可以通过使用（较慢的）版本，结合树和装袋元分类器来实现这个选项：

from sklearn.ensemble import BaggingClassifierfrom sklearn.tree import DecisionTreeClassifierclf = BaggingClassifier(base_estimator=DecisionTreeClassifier(), max_samples=0.5)

作为旁注，Breiman的随机森林确实不将子样本作为参数，完全依赖于bootstrap，因此大约(1 – 1 / e)的样本被用来构建每棵树。