ランダム フォレストは、分類タスクと回帰タスクの両方に使用される教師あり機械学習アルゴリズムの一種です。このアルゴリズムは、トレーニング時に多数の決定ツリーを構築し、クラスのモード (分類) または個々のツリーの平均予測 (回帰) であるクラスを出力することによって動作します。
コンピューター科学者で統計学者のレオ・ブライマンとアデル・カトラーによって開発されたランダム フォレストは、大規模で正確な予測パフォーマンスを備えているため、アンサンブル学習の一般的な方法です。アンサンブル学習は、複数のモデルを組み合わせることによって予測の精度を向上させるために使用されます。ランダム フォレストはバギング アンサンブルの一例であり、データ ポイントを繰り返しサンプリングしてデシジョン ツリーに当てはめることによって構築されます。
ランダム フォレストは、データ セットに対して迅速にトレーニングし、合理的な予測を行います。それらの特徴は、分類にランダム化されたツリーを使用することです。単一の問題に対して複数のツリーを処理させることにより、ランダム フォレストは単一のデシジョン ツリーと比較して精度が向上します。
ランダム フォレストは、デシジョン ツリー内の分割ごとに特徴をランダムに選択してデータセット上に構築された一連のデシジョン ツリーを使用します。このようにして選択された特徴の予測に対する重要性を推定し、特徴が予測に与える影響を評価することができます。これは、データセット内の最も重要な特徴を特定し、さらなる予測モデリングのために最も重要な特徴を選択するのに役立ちます。
ランダム フォレストは、その人気と多用途性により、遺伝子発現分析、バイオインフォマティクス、画像処理、気象学、自然言語処理などの多くのアプリケーションで使用されています。その精度と拡張性により、大量のデータを迅速かつ高精度で処理する必要があるアプリケーションで役立つツールとなります。
