我正在研究一个包含 9 个可能标签的多类问题，为此我有一个数据集，其中包含约 50.000 个示例和约 200 个特征。每个示例只能属于一个类。不同标签之间的数据相当平衡。
鉴于其稳健性和可扩展性，我决定使用随机森林（包含 1000 棵树的集合）作为学习方法。为了评估给定此数据集的模型的性能准确性，我使用了分层 5Fold 交叉验证（我使用的是 scikit-learn 0.18）。
由于随机森林本质上可以处理多类数据集，因此我直接在给定数据集上使用它并获得了 79.5 的准确度0.3。我也有兴趣知道哪些特征更重要，可以从scikit的RandomForestClassifier中的属性feature_importances_中轻松提取。然而，鉴于数据集平衡良好，并且正如预期的那样，200 个特征中几乎相同数量的特征对不同的类有贡献，我无法区分哪些特征对每个类的贡献最大。
因此，我采用了使用相同随机森林设置的一对多策略（顺便说一下，成本敏感，考虑到使用 oneVsAll 策略时数据的不平衡），这让我可以查看每个类与其余哪些功能更重要。我得到的结果是合理的。更重要的是，当查看使用这种策略的模型的性能时，我得到了 88.70.2 的准确率，这让我感到惊讶，因为我期望多类随机森林能够更好地分类，因为它具有多类性质。
我说得对吗？这样的准确性差异是否合理？此外，考虑到随机森林本身可以解决多类问题而无需任何“黑客”（例如 oneVsAll 策略），上述策略是否正确且公平？