Ein Random Forest Modell ist ein moderner Ansatz des \u201eMachine Learnings\u201c zur Klassifizierung. Er besteht in der Regel aus 500 verschiedenen, nicht-korrelierten Entscheidungsb\u00e4umen.<\/p>\n
Ein Entscheidungsbaum ist ein hierarchisches \u201ebaumartiges\u201c Modell von aufeinanderfolgenden Entscheidungen. Ausgehend von seiner Wurzel folgt er verschiedenen \u201e\u00c4sten\u201c bzw. Vergabelungen, denen – basierend auf verschiedenen Entscheidungsregeln – gefolgt wird. Am Ende des Baums, den \u201eBl\u00e4ttern\u201c, erfolgt letztendlich die Klassifizierung in verschiedene Zust\u00e4nde. Ein Problem mit einem einzelnen Entscheidungsbaum ist, dass die Vorhersage entweder zu 100 Prozent richtig oder zu 100 Prozent inkorrekt ist.<\/p>\n
Daher umfasst ein Random Forest 500 verschiedene Entscheidungsb\u00e4ume. Jeder dieser B\u00e4ume besteht aus einer unterschiedlichen Kombination von Parametern und Entscheidungsregeln. Zur finalen Klassifizierung gibt jeder einzelne Baum seine \u201eEntscheidung\u201c ab und der Prozentsatz der B\u00e4ume mit derselben Klassifizierung wird errechnet. Anstelle einer Klassifizierung eines einzelnen Baums tritt so die \u201edemokratische\u201c Mehrheitsentscheidung aller B\u00e4ume.<\/p>\n