R randomForest的文档与getTree（）方法的输出之间存在差异。
documentation表示getTree（）中预测字段的值对于非终端节点应该为零：
预测：节点的预测;如果节点不是终端，则为0
这是分类方法的情况，但在回归方法中存在非零连续值：
> library(randomForest)
>
> x <- data.frame(matrix(rnorm(20), nrow=10))
> y <- rnorm(10)
>
> model <- randomForest(x,y)
> getTree(model,k=1)
left daughter right daughter split var split point status prediction
1 2 3 2 0.49239435 -3 -0.1212934
2 4 5 2 0.09046437 -3 -0.4871480
3 0 0 0 0.00000000 -1 1.3421250
4 6 7 2 -0.61841853 -3 -0.2501163
5 0 0 0 0.00000000 -1 -1.1982434
6 0 0 0 0.00000000 -1 -0.8738258
7 0 0 0 0.00000000 -1 0.9973027
非终端节点的这些预测值是否用于预测？如果没有，他们的目的是什么？
在单独但相关的说明中，status字段不会遵循回归方法的文档：
status：status是节点终端（-1）或不是（1）
如前所述，分类方法似乎完全遵循文档：
> y_bin <- as.factor(y>0)
> model <- randomForest(x,y_bin)
> getTree(model,k=1)
left daughter right daughter split var split point status prediction
1 2 3 2 -0.6184185 1 0
2 0 0 0 0.0000000 -1 1
3 4 5 1 -0.3887568 1 0
4 0 0 0 0.0000000 -1 1
5 0 0 0 0.0000000 -1 2
答案 0 :(得分：0)
我已经通过测试用例确认了randomForest回归量的预测不依赖于预测字段中的决策节点值：
> x <- data.frame(matrix(rnorm(20), nrow=10))
> y <- rnorm(10)
>
> model <- randomForest(x,y,ntree=1)
> getTree(model,k=1)
left daughter right daughter split var split point status prediction
1 2 3 2 -0.1314179 -3 -0.1901029
2 0 0 0 0.0000000 -1 -1.6884260
3 4 5 2 1.0801034 -3 0.1844779
4 0 0 0 0.0000000 -1 -0.0447021
5 0 0 0 0.0000000 -1 0.4136579
>
> test <- data.frame(X1=1,X2=1)
> predict(model,test)
1
-0.0447021
我们可以通过跟踪数据点（1,1）来确定-0.0447021来自叶节点的值，如果数据点的值大于数据点，那么“right daughter”是正确的子节点。隔断。