使用PCA预处理（插入符号包）时如何解释随机森林模型中的调优mtry参数

问：

在将预处理与带有插入符号包的 PCA 一起使用后，我正在尝试运行带有交叉验证的随机森林模型。我使用 381 个参数预测两个类（变量 dg），我有 100 个观测值。

我原以为预处理后模型将仅适用于主成分，但是当我评估模型结果时，我得到了 2、191 和 381 个变量的 mtry 值。

模型的创建：

cntrl <- trainControl(method="repeatedcv", 
                       number=10,
                       repeats = 100,
                       returnResamp="all",
                       savePredictions="all",
                       preProcOptions =list(thresh = 0.8), #80% of variance explained
                       classProbs=TRUE, 
                       summaryFunction=twoClassSummary
)

rf_mod <- train(dg ~ .,
                 data = training,
                 method = "rf",
                 trControl = cntrl,
                 preProcess = c("pca"),
                 metric = "ROC")

模型结果：

 mtry  ROC        Sens     Spec     
    2   0.7770833  0.59750  0.8291667
  191   0.7776042  0.60250  0.8141667
  381   0.7765625  0.60375  0.8183333

这个输出的反作用是什么？为什么包括所有预测变量？