要了解随机森林如何处理连续数据，必须了解随机森林的工作原理。随机森林算法的基础是树结构。sklearn 中的默认设置是根据基尼系数拆分树（请参阅sklearn 文档）。这种类型的树算法称为 CART 树。您可以将 更改criterion为entropy选择 ID3 和 C4.5 树。在不深入数学的情况下，树算法将寻求基于导致最低基尼系数的截止值来分割树。

随机森林算法将在您的数据上构建大量深度树，并对所有经过训练的树进行平均，从而为您提供最终预测。

根据您对数据大小和并行化必要性的要求，我强烈推荐 H2O。它是一个开源机器学习软件套件，带有 Python 和 R 中的 API。它们的随机森林实现非常快，并导致模型具有更高的 AUC（有关不同 ML 库之间的良好比较，请参阅此页面）。