我试图准确了解元随机森林分类器如何确定最终预测，我知道有一个投票系统，并且来自决策树的聚合用于找到最终预测，我从这里读到：Classification Random Forests in蟒蛇：

“随机森林是一种集成决策树算法，因为在回归问题的情况下，最终预测是每个决策树预测的平均值；在分类中，它是最频繁预测的平均值”

我阅读了 RFC 源代码： Ensemble/Forest：

“输入样本的预测类别是森林中树木的投票，由它们的概率估计加权。也就是说，预测类别是树木中平均概率估计最高的类别”

这是否意味着例如：

我们有 3 个类（A、B 和 C）和 4 个估计器，每棵树都有一定数量的最终叶节点和一个类预测；

A、B 或C 类的概率是叶节点的类预测次数的结果，即Tree1：A 类在10 次可能中被预测3 次，另外7 次被预测为不同的类。

Class A: [0.30, 0.25, 0.30, 0.25] | mean = 0.275
Class B: [0.10, 0.40, 0.10, 0.40] | mean = 0.250
Class C: [0.70, 0.65, 0.70, 0.65] | mean = 0.675

因此，元分类器将预测 C 类，因为它具有最高的平均概率。这个对吗？还是我看这个完全错误的方式？