首先，我认为您对“列抽样”的理解是不正确的。随机森林尝试是每个拆分的特征子集。它不会在没有替换的情况下在单个树中进行采样。随机森林对行进行替换（引导样本）以消除决策树之间的相关性。想一想，如果即使您仅基于特征子集创建每个拆分，您也没有这样做，那么您的树最终会看起来非常相似（或者至少比您自举的情况更相似）。由于仅基于约 63% 的唯一值创建树，您确实有更大的偏差，但通过拥有更多不相关的树来减少方差弥补了这一点。

我认为这是减少偏见的一种方式。如果您正在用 100 棵树训练随机森林，那么您将使用（可能）100 个不同的训练集来种植这些树。由于这些训练集形成了人群，因此您可以实现“人群的智慧”。

我们进行行采样是因为，对于随机森林中的每棵树，我们都有不同的训练集，因此每棵树的预测能力都不同，这将形成一个丰富的森林