Как Decision Tree в Random Forest дают один голос

В Random Forest каждый Decision Tree обучается на случайной подвыборке данных (бутстрэп) и рассматривает случайное подмножество признаков при разбиении узлов. При классификации каждый дерево независимо "голосует" за класс, а итоговый прогноз определяется как мода (наиболее частый класс) среди всех голосов.

Пример кода для sklearn:

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
# Каждое дерево голосует, затем выбирается класс с большинством голосов
predictions = model.predict(X_test)

Для регрессии используется усреднение предсказаний всех деревьев. Разнообразие деревьев (за счет случайности) снижает переобучение и улучшает обобщающую способность.