Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.
Un bosque de decisión es un término genérico para describir modelos hechos de varios árboles de decisión. La predicción de un bosque de decisión es la agregación de las predicciones de sus árboles de decisión. La implementación de esta agregación depende del algoritmo que se usa para entrenar el bosque de decisión. Por ejemplo, en un bosque aleatorio de clasificación multiclase (un tipo de bosque de decisión), cada árbol vota por una sola clase, y la predicción del bosque aleatorio es la clase más representada. En un árbol de clasificación binaria potenciado por gradientes (GBT) (otro tipo de bosque de decisión), cada árbol genera un logit (un valor de punto flotante), y la predicción del árbol potenciado por gradientes es la suma de esos valores, seguida de una función de activación (p.ej., sigmoide).
En los siguientes dos capítulos, se detallan esos dos algoritmos de bosques de decisión.
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Falta la información que necesito","missingTheInformationINeed","thumb-down"],["Muy complicado o demasiados pasos","tooComplicatedTooManySteps","thumb-down"],["Desactualizado","outOfDate","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Problema con las muestras o los códigos","samplesCodeIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-07-27 (UTC)"],[[["\u003cp\u003eDecision forests encompass models composed of multiple decision trees, with predictions derived from aggregating individual tree predictions.\u003c/p\u003e\n"],["\u003cp\u003ePrediction aggregation methods vary depending on the specific decision forest algorithm employed, such as voting in random forests or logit summation in gradient boosted trees.\u003c/p\u003e\n"],["\u003cp\u003eRandom forests and gradient boosted trees are two primary examples of decision forest algorithms, each utilizing a unique approach to prediction aggregation.\u003c/p\u003e\n"],["\u003cp\u003eUpcoming chapters will delve deeper into the workings of random forests and gradient boosted trees.\u003c/p\u003e\n"]]],[],null,["\u003cbr /\u003e\n\nA **decision forest** is a generic term to describe models made of multiple\ndecision trees. The prediction of a decision forest is the aggregation of the\npredictions of its decision trees. The implementation of this aggregation\ndepends on the algorithm used to train the decision forest. For example, in a\nmulti-class classification random forest (a type of decision forest), each tree\nvotes for a single class, and the random forest prediction is the most\nrepresented class. In a binary classification gradient boosted Tree (GBT)\n(another type of decision forest), each tree outputs a logit (a floating point\nvalue), and the gradient boosted tree prediction is the sum of those values\nfollowed by an activation function (e.g. sigmoid).\n\nThe next two chapters detail those two decision forests algorithms."]]
