我找到了几个解释包外溢出错误的内容，包括stackoverflow上的错误：What is out of bag error in random forests
然而，我找不到任何公式如何精确计算它。 我们以MATLAB帮助文件为例： err = oobError(B)计算错误分类概率[...]。 B是使用TreeBagger类生成的树的模型。
错误分类概率是多少？这只是袋外数据的准确性吗？
准确度=（TP + FP）/（P + N）
那么简单地说，所有真正分类的实例与集合中出现的所有实例的比率是什么？
如果这是正确的，我一方面看到了计算它的好处，如果你有一些数据集要测试，那就非常简单了，就像袋外数据集一样。
但另一方面，当涉及不平衡数据集时，已知准确度不是一个很好的指标。所以我的第二个问题是：袋外错误是否可以应对不平衡的数据集，如果不是，在这种情况下甚至是指定它的有效点？
答案 0 :(得分：1)
袋外错误只是在训练期间未看到的样本上计算错误。它在装袋方法中具有重要作用，因为训练集的引导（通过随机替换绘制新的集合）你实际上得到了相当多的未使用的训练数据（限制在30％左右）。如果您有许多这样的模型（比如在随机森林中，您有许多树，每个树都使用自己的boostrap样本进行训练），那么您可以对这些误差进行平均并估算泛化误差。
错误分类概率是多少？这只是袋外数据的准确性吗？
错误分类概率为1-Accuracy
如果这是正确的，我一方面看到了计算它的好处，如果你有一些数据集要测试，那就非常简单了，就像袋外数据集一样。
因为使用一个测试集只接近当前模型的质量（无论它是什么），而在袋外进行是一种对整体中单个元素的估计（在随机森林的情况下为树）所有可能的训练集选择。这是不同的概率测量，例如参见Tibshirani的统计学习元素的第7章。此外，它的优势在于你不会浪费任何一点。保持单独的测试集需要相当多的点，以便您可以在剩余数据上获得合理的估计（模型）。超出袋估计使您能够同时说出它的行为表现 - 使用所有可用数据。
但另一方面，当涉及到不平衡的数据集时，准确度已知不是一个好的指标。所以我的第二个问题是：袋外错误是否可以应对不平衡的数据集，如果不是，在这种情况下甚至是指定它的有效点？
袋外错误与准确性无关。它以scikit实现 - 学习如何准确工作，但它是通过任何损失函数（分类指标）定义的。你可以使用MCC，F1或任何你想要的东西进行精确的模拟。