我怀疑您已经训练了一系列 RF 回归模型，并根据训练集大小绘制了解释方差（而非错误）。解释方差与错误相反。该值将介于 0 和 1 之间。

其次，诊断随机森林的训练解释准确性没有多大意义。在训练和预测时，样本通过树的路径相同，因此当然获得了近乎完美的拟合。这就是为什么使用袋外训练精度/误差的原因。

交叉验证的分数略有增加，因为更多的样本既降低了偏差（更深的树 + 来自数据结构的更密集的采样），又降低了方差（降低的树相关性 + 更少的样本误差）。

所以一切看起来都很好，你可能既没有过度过度拟合也没有过度拟合。我宁愿 (a) 简单地针对不同的超参数设置绘制 OOB-CV，或者 (b) 将模型包装在重复的嵌套 CV 网格搜索中，如果你想真正彻底的话。您可能会发现默认参数接近最优。