背景：
我使用的是"randomForest"包的随机森林算法。
描述：
我最近在做用户异常检测的问题，按照常理来讲，这是一个分类问题，最终预测用户是否异常，即0、1问题。但是问题要求最终预测的是用户异常的可能性，这就又类似于一个回归问题。
目前我以分类问题考虑来做，主要代码有：
rf<- randomForest(mark~.,train)
rf.predict<- predict(rf,test)
其中train 和 test 分别是训练集和测试集，而mark是需要预测的属性。
问题：
1、首先问一个关于训练的问题:
rf<- randomForest(mark~.,train)是训练train中除了mark属性外所有属性对mark属性的影响，但是我如果有这样的需求：
比如train中有n个属性，分别为a1~an，其中an列为mark属性，假设我只想要训练前10维属性对mark属性的影响，代码应该如何修改，是否有不枚举属性列名称的方法？

2、据我所知，随机森林会生出多棵决策树（假设100棵树），并按照一定权重来进行综合，（假设平均分配的话，100课树每棵树的全重是0.1），最终得到结果。那么我想知道是否可以根据每棵树最后预测的0或1结果再乘上权重来得到一个数值作为可能性？而不是直接0或者1的分类结果？

3、如果问题1的思路可行，那么该怎么实现？最好有代码？

4、如果作为回归问题考虑，由于mark属性只有0，1，调试会有如下的警告信息：

Warning message:
In randomForest.default(m, y, ...) :
  The response has five or fewer unique values.  Are you sure you want to do regression?


这样是否会对结果有比较大的影响？

并且得到预测结果后如何进行优劣判断？比如分类问题可以使用confusionMatrix函数进行交叉验证。