RFX-Fuse：梅顿与卡特尔统一机器学习引擎 + 原生可解释相似性

梅顿与卡特尔最初的随机森林被设计为统一的机器学习引擎——而不仅仅是集成预测器。他们的实现包括分类、回归、无监督学习、基于相似性的聚类、异常检测、缺失值插值和可视化——这些能力在现代库（如 scikit-learn）中从未实现。RFX-Fuse（Random Forests X [X=compression] -- Forest Unified Learning and Similarity Engine）以GPU/CPU原生支持交付梅顿与卡特尔的完整愿景。现代机器学习管道需要5个以上独立工具——XGBoost 用于预测，FAISS 用于相似性，SHAP 用于解释，Isolation Forest 用于异常检测，自定义代码用于重要性。RFX-Fuse 提供一种 1 到 2 个模型对象替代方案——一次生长的树集合。新贡献：（1）相似性重要性——原生可解释相似性：相似性度量揭示哪些样本相似；相似性重要性解释为什么。（2）面向通用表格数据的特定数据集插值验证——按插值后数据“真实”程度对排名进行排序，而无需 ground truth 标签。