Random Forest: Diferenzas entre revisións

'''''Random Forest''''' é un metaalgoritmo de [[aprendizaxe automática]] (Machine Learning) deseñado como unha modificación substancial da idea de empaquetado (bagging) que constrúe unha gran colección de ''árbores'' sen correlación para posteriormente calcular a súa [[Media (matemáticas) | media]]. Para a súa aplicación na maioría de problemas, a resolutividade do ''Random Forest'' é similar á do algoritmo de empaquetado, coa suma de que son máis sinxelos de adestrar e parametrizar. Como consecuencia, a súa popularidade é alta e desenvólvense en multitude de módulos de aprendizaxe automática. <ref>{{Cita libro |título= The Elements of Statistical Learning |nome=Trevor |nome2= Robert |apelidos= Hastie |apelidos2=Tibshirani |ano= 2001|editorial= Springer}}</ref>

A idea principal no metaalgoritmo de empaquetado é o cálculo da [[Media (matemáticas) | media]] sobre moitos modelos de ruído non distorsionados ou simplificados. As árbores, en [[informática]], son candidatas ideais para emular a idea de empaquetado, posto que capturan complexas interaccións nas estruturas de calquera conxunto de datos dado. Así mesmo medra con suficiente profundidade para evitar calquera distorsión ou simplificación (bias). Sumado a que as árbores adoitan asociarse a grandes cantidades de ruído, benefícianse enormemente da limpeza a través do cálculo da [[Media (matemáticas) | media]]. Así mesmo, dado que cada árbore xerada por empaquetado ten idéntica distribución, espérase que a media de varios deles <math>B</math> achegue os mesmos resultados que a media individual.

''Random Forest'' introduciuse baixo está definición por [[Leo Breiman]] en [[2001]], aínda que a maioría das ideas presentábanse dispersas na literatura con anterioridade. Notabelmente [[Tin Kam Ho]] en [[1995]] introduciu o termo, e usouno parcialmente sobre subconxuntos aleatorios de características atopadas en común nun conxunto de datos.