这取决于随机森林预测的变量类型，也可能取决于随机森林的具体实现。以下是最简单技术的概述。

连续目标

在连续目标变量的情况下$y$，集成中的每棵树都会生成一个预测$\hat{y}_i$. 将树的结果组合成一个集合的最简单的方法是取所有预测的平均值。

假设你有 10 棵树的集合。然后综合预测$\hat{y}$将被计算为

$$\hat{y} = \frac{1}{10} \sum^{10}_{i=1} \hat{y}_i$$

这是scikit-learn 中的森林回归器采用的方法。注意线条

    # Parallel loop
    lock = threading.Lock()
    Parallel(n_jobs=n_jobs, verbose=self.verbose,
             **_joblib_parallel_args(require="sharedmem"))(
        delayed(_accumulate_prediction)(e.predict, X, [y_hat], lock)
        for e in self.estimators_)

    y_hat /= len(self.estimators_)

“并行循环”部分总结了森林中每棵树的预测，最后一行除以树的总数，因此这y_hat是每棵树的预测的平均值。

另一种方法是对预测进行加权平均

$$\hat{y} = \sum^{10}_{i=1} \omega_i \hat{y}_i$$

每棵树都有重量$\omega_i$. 例如，可以通过树的性能来确定权重。在某些情况下，这种方法可能会稍微提高准确性，但更容易过拟合。

分类目标

在您的随机森林预测分类变量的值的情况下，您可以让每棵树都像“委员会”的成员一样行事并投票。

假设一个分类变量具有三个可能的值，$A$,$B$， 或者$C$，你的随机森林有 10 棵树。您为每棵树生成一个预测，该预测算作一票。

例如，假设您的 5 棵树预测$A$, 其中 3 个预测$B$，其中 2 个预测$C$. 综合预测为$A$.

请注意，您可能会遇到平局的情况。假设你的 5 棵树预测$A$，其他五个预测$B$. 你选择哪个预测？

一种选择是在平局的情况下预测多数类别。在上面的例子中，如果训练数据包含更多$B$例子比$A$例子，然后我们会预测$B$.

解决平局的另一个选择是通过树的准确性对投票进行加权。再次假设您有五棵树投票$A$和五棵投票的树$B$. 如果你观察到，平均而言，投票给$B$更可靠，你可以给他们的选票额外的权重并预测$B$.

希望这会有所帮助！