scikit learnのRandomForestClassifierとExtraTreesClassifier

scikit学習におけるRandomForestClassifierとExtraTreesClassifierの違いを誰かが説明できますか？私は紙を読むのにかなりの時間を費やしました：

P. Geurts、D。Ernst。、およびL. Wehenkel、「Extremely randomized trees」、機械学習、63（1）、3-42、2006

これらはETの違いのようです：

1）分割で変数を選択する場合、サンプルはトレーニングセットのブートストラップサンプルではなく、トレーニングセット全体から抽出されます。

2）分割は、各分割でのサンプルの値の範囲から完全にランダムに選択されます。

これら2つのことの結果は、はるかに多くの「葉」になります。

はい、どちらの結論も正しいですが、scikit-learnのランダムフォレストの実装では、ブートストラップのリサンプリングを有効または無効にすることができます。

実際には、RFは多くの場合ETよりもコンパクトです。ETは一般に、計算の観点から見た場合のほうが安価ですが、はるかに大きくなる可能性があります。ETはRFよりも一般化する場合がありますがn_estimators、最初に両方を試さずに（および調整max_featuresとmin_samples_split、相互検証されたグリッド検索によって）当てはまる場合を推測するのは困難です。

ExtraTrees分類子は常に機能の一部に対してランダム分割をテストします（機能の一部に対して可能なすべての分割をテストするRandomForestとは対照的）

ランダムフォレストと追加のツリー（通常、極端なランダムフォレストと呼ばれます）の主な違いは、検討中の各フィーチャについて、（ランダムフォレストの）ローカルに最適な機能/分割の組み合わせを計算する代わりに、ランダムな値が選択されるという事実にあります分割用（追加のツリー用）。ランダムフォレストと追加ツリーの違いの詳細について知るための優れたリソースを以下に示します。