Random Forest© ist eine erweiterte Implementierung eines Bagging-Algorithmus mit einem Baummodell als Basismodell.
In Random Forests wird jeder Baum in einem Ensemble aus einer Stichprobe erstellt, die durch Ersetzen aus dem Trainingsset gezogen wurde (z. B. eine Bootstrap-Stichprobe). Beim Aufteilen eines Knotens werden der Erstellung des Baumes ist die ausgewählte Aufteilung nicht mehr die beste Aufteilung aller Funktionen. Stattdessen wird die beste Aufteilung für ein Subset der Funktionen zufällig ausgewählt. Aufgrund dieser Randomisierung wird die Verzerrung der Gesamtstruktur leicht erhöht (in Bezug auf die Verzerrung eines einzelnen nicht zufällig ausgewählten Baums), aber durch die Durchschnittsermittlung verringert sich die Varianz leicht, wodurch die erhöhte Verzerrung in der Regel mehr als ausgeglichen wird, sodass sich letztendlich ein insgesamt besseres Modell ergibt.1
Der Random Forest-Knoten in watsonx.ai ist in Pythonimplementiert. Die Knotenpalette enthält diesen Knoten und andere Python-Knoten.
Weitere Informationen zu Random Forest-Algorithmen finden Sie unter Wälder randomisierter Bäume.
1L. Breiman, "Random Forests," Machine Learning, 45(1), 5-32, 2001.