Como a floresta aleatória e as árvores extremamente aleatórias se dividem de maneira diferente?

Para floresta aleatória, dividimos o nó por Gini impureza ou entropia para um conjunto de recursos. O RandomForestClassifier no sklearn, podemos optar por dividir usando o critério Gini ou Entropy. No entanto, o que eu li sobre o Extra-Trees Classifier, um valor aleatório é selecionado para a divisão (acho que não há nada a ver com Gini ou Entropy). O ExtraTreesClassifier do sklearn tem a opção de escolher Gini ou Entropy para a divisão. Estou um pouco confuso aqui.

Uma iteração de floresta aleatória:

1. Selecione $m$ recursos aleatoriamente como um conjunto candidato de recursos de divisão
2. Em cada um desses recursos, encontre o "melhor" ponto de corte, onde "melhor" é definido por Gini / Entropy / qualquer medida
3. Agora você tem $m$ recursos combinados com seus pontos de corte ideais. Escolha como seu recurso de divisão e corte o par com o "melhor" desempenho em relação a Gini / Entropy / qualquer medida

Uma iteração de Árvores Extremamente Aleatórias:

1. Selecione $m$ recursos aleatoriamente como um conjunto candidato de recursos de divisão

2. Dentro de cada um desses recursos , , com desenha um único ponto de corte aleatório uniformemente a partir do intervalo . Avalie o desempenho desse recurso com este ponto de corte em relação a Gini / Entropy / qualquer medida$F_i$$i \in {1, ...,m}$$(min(F_i), max(F_i))$

3. Agora você tem recursos emparelhados com seus pontos de corte selecionados aleatoriamente. Escolha como seu recurso de divisão e corte o par com o "melhor" desempenho em relação a Gini / Entropy / qualquer medida$m$