Random Forest (Zufallswald)

Ein Random Forest (auch Zufallswald genannt) ist eine Ensemble-Methode im überwachten Lernen, die viele Entscheidungsbäume baut und ihre Vorhersagen per Mehrheitsvote oder Mittelwert kombiniert. Leo Breiman veröffentlichte den Algorithmus 2001; jeder Baum wird auf einer Bootstrap-Stichprobe der Daten trainiert, die per Bagging gezogen ist, und bei jedem Split wird nur eine zufällige Teilmenge der Merkmale betrachtet. Diese eingestreute Zufälligkeit entkoppelt die Bäume, sodass sich ihre Einzelfehler beim Aggregieren oft ausgleichen.

Random Forests liefern auf tabellarischen Daten oft starke Genauigkeit mit wenig Feature Engineering und bleiben in der Industrie neben Gradient-Boosting-Bäumen verbreitet. Sie stehen in der klassischen Tradition des maschinellen Lernens, die vor dem großflächigen Deep Learning in Bild und Sprache blühte. Siehe den Artikel und den Zeitleisten-Eintrag.