Les forêts aléatoires sont un type d'algorithme d'apprentissage automatique supervisé utilisé à la fois pour les tâches de classification et de régression. L'algorithme fonctionne en construisant une multitude d'arbres de décision au moment de la formation et en produisant la classe qui est le mode des classes (classification) ou la prédiction moyenne (régression) des arbres individuels.
Développées par l'informaticien et statisticien Leo Breiman et Adele Cutler, les forêts aléatoires sont une méthode populaire d'apprentissage d'ensemble en raison de leurs performances de prédiction étendues et précises. L'apprentissage d'ensemble est utilisé pour améliorer la précision des prédictions en combinant plusieurs modèles. Les forêts aléatoires sont un exemple d'ensemble d'ensachage et sont construites en échantillonnant à plusieurs reprises des points de données et en les ajustant à des arbres de décision.
Les forêts aléatoires s'entraînent rapidement et font des prédictions raisonnables sur des ensembles de données. Leur particularité est l’utilisation d’arbres randomisés dans les classifications. En faisant travailler plusieurs arbres sur un seul problème, les forêts aléatoires ont une précision accrue par rapport à un seul arbre de décision.
Les forêts aléatoires utilisent un ensemble d'arbres de décision construits sur un ensemble de données avec une sélection aléatoire de caractéristiques pour chaque division de l'arbre de décision. Il est possible d'estimer l'importance des caractéristiques ainsi sélectionnées pour la prédiction et d'évaluer l'effet d'une caractéristique sur la prédiction. Cela permet d'identifier les caractéristiques les plus importantes d'un ensemble de données et de sélectionner les plus importantes pour une modélisation prédictive ultérieure.
En raison de leur popularité et de leur polyvalence, les forêts aléatoires ont été utilisées dans de nombreuses applications, notamment l'analyse de l'expression génétique, la bioinformatique, le traitement d'images, la météorologie et le traitement du langage naturel. Leur précision et leur évolutivité en font un outil utile dans les applications où de grandes quantités de données doivent être traitées rapidement et avec un haut degré de précision.
