这很有意义，并且我使用过的所有随机森林实现（例如 MATLAB）也提供了概率输出来做到这一点。

我没有使用 R 实现，但如果没有一种简单的方法可以从投票和硬决策中获得软输出，我会感到震惊。

编辑：只看一眼 R，predict.randomForest 也输出概率。

如果您使用 R，插入符号包将使您免于重新发明轮子。例如，以下代码使用交叉验证为随机森林模型选择调整参数，然后输出每个交叉验证折叠的准确率的均值和标准差。最后，它计算模型的类别概率。

library(caret)
library(PerformanceAnalytics)
data(iris)

#Make a yes/no dataset
Dataset <- iris
Dataset$Class <- ifelse(Dataset$Species=='versicolor','Yes','No')
Dataset$Class  <- as.factor(Dataset$Class)
Dataset$Species<- NULL
chart.Correlation(Dataset[-5], col= Dataset$Class)

#Fit an RF model
model <- train(Class~.,Dataset,
                method='rf',TuneLength=3,
                trControl=trainControl(
                    method='cv',number=10,
                    classProbs = TRUE))
model$results

#Predict class probabilities (i.e. 'certainty' scores)
pred <- predict(model,iris,"prob")
head(pred)

caret 的好处在于它可以很容易地比较不同的预测模型。例如，如果您想尝试 SVM，可以将文本替换为method='rf'ormethod='svmLinear'您method='svmRadial'. 也可以通过在 trainControl 参数中添加一行来根据AUC而不是准确性来选择调整参数：summaryFunction=twoClassSummary。

最后，PerformanceAnalytics 包中有一些代码，chart.Correlation(Dataset[-5], col= Dataset$Class)构建模型不需要这些代码，但可以很好地可视化您的数据集。

R 中的randomForest包是一个相当不错的包，用于深入了解您的分析。它为您提供投票（作为分数或原始计数），并提供内置的调整和交叉验证功能，甚至还可以为您提供有关您的功能的更多信息（如果您想知道 100 个中有哪些是分析中最重要的）。

如果您已经在使用该软件包，那么也许您想仔细查看一下，如果还没有，请检查一下。