决策树通过训练集的递归划分来工作。每个节点$t$一棵决策树与一组相关联$n_t$训练集中的数据点：

您可能会nodesize在一些随机森林包中找到该参数，例如R：这是最小节点大小，在上面的示例中，最小节点大小为 10。此参数隐式设置树的深度。

nodesize来自 R 随机森林包

终端节点的最小大小。将此数字设置得更大会导致更小的树木生长（因此需要更少的时间）。请注意，分类 (1) 和回归 (5) 的默认值不同。

在其他包中，您可以直接找到参数depth，例如WEKA：

-depth来自 WEKA 随机森林包

树的最大深度，0 表示无限。（默认 0）

尚不清楚节点大小是在“in-bag”采样还是“out-of-bag”错误。如果是在“袋外”抽样中，则限制性稍强。