作为作者的同事，我可以解决这个问题。

• 要直接回答 OP，@rapaio 是正确的：最上面的引用意味着作者创建了 10 个单独的包，每个包都有一个由 10 棵树组成的随机森林——总共有 100 棵树。
• 正如@rapaio 所提到的，没有明确的理由表明它的性能优于 100 个袋子或 100 个随机森林。Weka 的实现使得执行所有五个实验实验（单棵树、10 个袋子、100 个袋子、100 个随机森林、10 个随机森林的 10 个袋子）变得容易，作者认为结果很有趣，值得一提。这是否是针对其他数据集（例如 Kaggle 或 UCI）的普遍趋势，可能是一篇好的研究论文的基础。
• @rapaio 没有提到它，但各种 oob 估计和最终性能指标之间也可能存在一些相互作用——AUC（不是准确性）。也许这只是在优化排名顺序而不一定是离散预测时观察到的趋势。

我敢冒昧地说它指的是常规随机森林，但作者想要区分 a) 用于每棵树的观察的装袋/引导和 b) 输入参数子集的随机选择。不过不确定。

我试图理解为什么装袋 10 个随机森林会比一个有 100 个发束的随机森林更好，但我认为没有合理的理由。我不排除可能存在一些 Weka 实现细节。

然而，要回答你的问题，我相信它是在谈论一个有 10 个袋子的装袋集合，每个袋子里有一个有 10 棵树的随机森林。

我没有证据，但我认为有一些元素为此提供了足够的证据：

• 在第一段中，最后一句以“我们发现两者都没有 100..”开头，它谈到构建一个包含 100 棵树的 bagging 或一个包含 100 棵树的随机森林。现在 100 是 10 x 10，即 10 袋 xa 随机森林和 10 棵树。
• 10 个袋装随机森林与前一点的含义相同（即使袋装随机森林并不常见）
• 在 Weka 中很容易以这种方式组合一些分类器，因为它们可以链接在一起，因为它们实现了相同的接口（这是编程的东西，我是程序员，我确认 Weka 很明显旨在使此类实验尽可能简单）
• 如果您将 10 个随机森林和 10 棵树组合成 bagging，而不是 100 个随机森林，则有一种方法可以减少总计算袋外错误。如果您有 10 个袋子，并且每个袋子中有一个带有 10 棵树的 rf，那么将为袋子中的 10 个引导样本的另一个实例计算 oob 误差。这 10 个 oob 样本集使用随机森林而不是普通随机树进行分类。当然，随机森林通常具有较小的可变性，因此 10 个袋子的 oob 错误可能低于使用树木预测的 100 个 oob 的平均 oob 错误。我不知道这是否是一个真正的改进，它可能是。从我的角度来看，它不是，它看起来像是在 oob 估计中引入了乐观偏差，但这只是我的直觉，由于我没有丰富的经验，我可能是错的。
• 最后一个论点是个人直觉：我问自己为什么人们会白白地过度复杂化这些公式？我发现有理由相信他们这样做是有目的的，而“合理的理由”是他们只是使用了随机森林的装袋。