Rastgele ormanlar, hem sınıflandırma hem de regresyon görevleri için kullanılan bir tür denetimli makine öğrenme algoritmasıdır. Algoritma, eğitim sırasında çok sayıda karar ağacı oluşturarak ve sınıfların modu (sınıflandırma) veya bireysel ağaçların ortalama tahmini (regresyon) olan sınıfın çıktısını alarak çalışır.
Bilgisayar bilimcisi ve istatistikçi Leo Breiman ve Adele Cutler tarafından geliştirilen rastgele ormanlar, büyük ve doğru tahmin performansları nedeniyle popüler bir topluluk öğrenme yöntemidir. Topluluk öğrenimi, birden fazla modeli birleştirerek tahminlerin doğruluğunu artırmak için kullanılır. Rastgele ormanlar, torbalama topluluğunun bir örneğidir ve tekrar tekrar veri noktalarının örneklenmesi ve bunların karar ağaçlarına yerleştirilmesiyle oluşturulur.
Rastgele ormanların eğitilmesi hızlıdır ve veri kümeleri üzerinde makul tahminler yapılabilir. Ayırt edici özelliği sınıflandırmalarda rastgele ağaçların kullanılmasıdır. Birden fazla ağacın tek bir problem üzerinde çalışmasını sağlayarak, rastgele ormanların doğruluğu, tek bir karar ağacına kıyasla daha yüksektir.
Rastgele ormanlar, karar ağacındaki her bir bölüm için özelliklerin rastgele seçildiği bir veri kümesi üzerinde oluşturulmuş bir dizi karar ağacını kullanır. Bu şekilde seçilen özelliklerin tahmin için önemini tahmin etmek ve bir özelliğin tahmin üzerindeki etkisini değerlendirmek mümkündür. Bu, bir veri kümesindeki en önemli özelliklerin belirlenmesine ve daha ileri tahmine dayalı modelleme için en önemlilerinin seçilmesine yardımcı olur.
Popülariteleri ve çok yönlülükleri nedeniyle rastgele ormanlar, gen ekspresyonu analizi, biyoinformatik, görüntü işleme, meteoroloji ve doğal dil işleme dahil olmak üzere birçok uygulamada kullanılmıştır. Doğrulukları ve ölçeklenebilirlikleri, onları büyük miktarda verinin hızlı ve yüksek derecede doğrulukla işlenmesi gereken uygulamalarda yararlı bir araç haline getirir.
