Что произойдет, если использовать модели прогнозирования на основе леса с одним деревом или оценщиком?

Я экспериментирую с конформным прогнозированием по данным с высокой частотой, используя следующие модели регрессии на основе леса для задачи прогнозирования на обучающей выборке. Размер унивариантных (1D) временных рядов составляет (8640, 1), что означает одно значение столбца во времени для 8460 временных шагов.

Краткая заметка:

8460 означает $30×288$ (каждый день имеет 288 наблюдений) — данные собирались с интервалами в 5 минут, что дает $12×24$ = 288 наблюдений/данных в день.

Следующие данные являются временными:

import pandas as pd
import numpy as np
np.random.seed(42) 
import matplotlib.pyplot as plt

# создать данные
df = pd.DataFrame({
    "TS"   : np.arange(0, 288*30),
    "value": np.abs(np.sin(2 * np.pi * np.arange(0, 288*30) / 7) + np.random.normal(0, 20.1, size=288*30)) # генерировать сезонность
})

# Установить столбец 'TS' в качестве индекса
df = df.set_index('TS')

# Построить график столбца 'value' по новому индексу
plt.figure(figsize=(10, 6))
plt.plot(df.index, df['value'])
plt.xlabel('Временные шаги (эпохи=5мин)')
plt.ylabel('значение')
plt.title('1D данные во времени')
plt.grid(True)
plt.show()

df.shape      # (8640, 1)

Предположим, я разбил данные на обучающую и тестовую выборки (Предположим, я хочу прогнозировать конец данных за последние 7 дней = $7×288$ наблюдений)

Я применяю следующие модели на основе леса с следующими настройками (n_estimators=1) из-за высокой вычислительной нагрузки и высокой частоты данных.

from lineartree import LinearForestRegressor
model = LinearForestRegressor( base_estimator=Ridge(random_state=42),
                  n_estimators=1,
                  n_jobs=-1,
                  max_features="sqrt")

from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor(n_estimators=1,
                              random_state=123,
                                    n_jobs=-1)

Мои вопросы:

• Действуют ли модели леса как решающee дерево (с единственным деревом), если они настроены на одно дерево?
• В общем, допустимо ли использовать модель леса для задачи прогнозирования унивариантных (1D) временных данных, используя одно дерево? Каковы последствия использования одного дерева внутри моделей леса? т.е. переобучение/недообучение

Примечание 1: Меня не интересует изменчивость данных, назначаемая уменьшением выборки с помощью resample() и функций агрегирования, таких как mean(), для уменьшения выборки с 5 минут до 1 часа, так как я теряю информацию при маленьком временном разрешении.

resampled_df = (df.set_index('datetime')          # Привести данные в соответствие, установив столбец с датой и временем в качестве индекса датафрейма, необходимого для пересчетa
                  .resample('1H')                 # пересчитать с частотой 1 час
                  .mean()                         # использовать mean() для агрегирования
                  .interpolate()                  # заполнение NaN и пропущенных значений [на всякий случай] 
                )
resampled_df.shape                                # (24, 1)