我对随机森林回归的理解是，每个叶节点都包含一个或多个训练数据中的示例。预测时，每棵树找到最合适的叶子并取样本目标值的平均值，然后森林取每棵树的值的平均值。那是对的吗？

现在来看我的具体示例：使用来自 sklearn 的 RandomForestRegressor 我使用以下参数：

{
    'n_estimators': 100, 
    'max_depth': 9, 
    'max_features': 1 / 3, 
    'criterion': 'mse', 
}

训练数据在 -2.3 和 2.3 ^[1]之间的范围内。训练后，我预测新值，得到 33.5 的输出。如果我对随机森林模型的理解是正确的，那应该是不可能的，因为它应该只能预测训练数据范围内的值。

更奇怪的是，如果我重新调整训练数据使其在 0 和 2.3 ^[2]之间的范围内并在此基础上进行训练，则预测都在预期范围内。

任何人都可以找出可能导致此问题的原因吗？

_{[1] 严格来说，原始数据在 0.1 到 10 的范围内，经过 ln 变换得到 -2.3 到 +2.3。通常我不会对这个范围内的数据使用对数变换，但这是一个更大数据集的子集，它可以有从 0.1 到 100,000 的任何数据。}

_{[2] 我将所有小于 1 的原始值四舍五入到 1，所以在对数变换之后它是 0 到 +2.3。}