我正在做一个随机森林实现（用于分类），我有一些关于文献中提到的树木生长算法的问题。
在训练决策树时，有两个停止树生长的标准：
a.当没有其他功能可用于拆分节点时停止。
b.当节点中的所有样本都属于同一类时停止。
基于此，
一考虑在森林里种一棵树。当分割树的一个节点时，我随机选择m的m个总特征，然后从这些M特征中找到一个具有最大信息增益的特征。在我找到这一个特性（比如f）之后，我应该先从特性列表中删除这个特性，然后再继续到节点的子节点吗如果我不删除此功能，则可能会在树下再次选择此功能。
如果我在不删除节点上选择的特征的情况下实现算法，那么停止树生长的唯一方法就是当树的叶子变得“纯”时。当我这样做时，我得到了Python中的“最大递归深度”达到错误，因为这棵树不能更早地达到那个“纯”条件。
即使是布赖曼写的RF文献也说，树应该生长到最大。这是什么意思？
2.在节点拆分时，在选择要拆分的最佳功能（按信息增益）后，拆分的阈值应该是多少一种方法是没有阈值，为特征的每个唯一值创建一个子节点；但是我也有连续值的特征，这意味着为每个样本创建一个子节点！
最佳答案
第一季度
你不应该删除m中的特征。否则它将无法检测某些类型的关系（例如：线性关系）
也许你可以早点停下来，在你的情况下，它可能会上升到只有一个样本的叶，这将没有统计意义所以最好停在say，当leaf的样本数问题2
对于连续的特性，您可以将它们分组并使用它们来确定分割点。