我正在处理有界回归问题，其中我的目标变量在[0,100]区间内。我的训练数据的目标变量值均匀地分布在[0,100]区间上，因此天真地实施模型通常会导致较高的误差，因为预测超出[0,100]区间。
我想使用随机森林模型，因为我的输入数据具有几种不同的数据类型（某些连续特征，某些二进制数据等），我知道随机森林模型在处理这些数据方面表现出色。在我的教科书中，它说，给定分配给叶L的新数据点，单个回归决策树将（a）返回训练数据的平均值为叶L或（b）将线性模型拟合至训练在叶L中获取数据，然后根据给定的新数据点返回线性模型的预测值。
我真的希望使用第一个函数（a），因为它将导致我的决策树仅返回正确有界集合中的值。但是，我正在使用sklearn.ensemble.RandomForestRegressor，并且我假设它（以及大多数回归决策树）都使用了上述函数（b）。我认为它是在每棵单独的树上使用函数（b），然后返回森林中所有树的均值作为最终回归值，但这仍可能超出[0,100]区间。
我是否根据正确的假设？有什么方法可以使用sklearn或其他Python软件包解决此问题？
（此外，如果有人对此数据的模型有任何建议（将目标与混合类型输入数据绑定在一起，请将其留在注释中！）