Machine learning

Random Forest

Random Forest es un método de aprendizaje de conjunto, introducido por Leo Breiman en 2001, que genera muchos árboles de decisión sobre muestras bootstrap de los datos y combina sus votos para producir una clasificación y regresión robustas. Al agrupar muchos árboles ligeramente diferentes, produce predicciones más precisas y estables que cualquier árbol individual.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Random Forest

Árbol de Decisión Regresión Logística Máquina de Vectores de S…XGBoost Árbol de decisión de apr…Gradient Boosting de Apr…Active Learning LightGBM Regresión Lineal con Apr…Regresión logística de a…Máquina de Vectores de S…

+127 more

Fuentes

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7

Cómo citar esta página

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/es/machine-learning/random-forest

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Árbol de DecisiónAprendizaje automático↔ compare
Regresión LogísticaEstadística para la investigación↔ compare
Máquina de Vectores de Soporte (Clasificación)Aprendizaje automático↔ compare
XGBoostAprendizaje automático↔ compare

Compare side by side →

Citado por

Árbol de decisión de aprendizaje activo Gradient Boosting de Aprendizaje Activo Active Learning LightGBM Regresión Lineal con Aprendizaje Activo Regresión logística de aprendizaje activo Máquina de Vectores de Soporte de Aprendizaje Activo AdaBoost Mecanismo de atención Agregación por Bootstrap (Bagging)Agregación de muestras bootstrap (Bagging)Bagging Bayesiano Árbol de Decisión Bayesiano k-Vecinos Más Cercanos Bayesiano Bayesian LightGBM Bosque Aleatorio Bayesiano XGBoost bayesiano Ajuste fino de BERT RNN bidireccional Potenciación Red Neuronal de Cápsulas CatBoost Clasificación de imágenes con CNN Red Neuronal Convolucional (Clasificación)DBSCAN Árbol de Decisión Aprendizaje por Refuerzo Profundo DeepAR Mapeo Digital de Suelos CNN dilatada Doble Aprendizaje Automático Elastic Net Aprendizaje Activo de Conjuntos Algoritmo Apriori de Conjunto Árbol de decisión de ensamble Modelo de Mezcla Gaussiana por Conjunto Proceso Gaussiano de Conjunto Potenciación del Gradiente en Conjunto (Ensemble Gradient Boosting)Bosque de Aislamiento de Conjunto Vecino más cercano K (KNN) de conjunto Regresión lineal de conjunto Regresión Logística de Conjunto Aprendizaje de Métrica en Conjunto Naive Bayes de Conjunto Aprendizaje Ensamble en Línea Aprendizaje autosupervisado en conjunto Máquina de Vectores de Soporte de Conjunto Aprendizaje por Transferencia en Conjunto Árbol de Decisión Explicable Extra Trees Explicable Gradient Boosting Explicable K-Means Explicable Vecinos más Cercanos Explicables (Explainable K-Nearest Neighbors)LightGBM Explicable Perceptrón Multicapa Explicable Naive Bayes Explicable Random Forest Explicable Ensamblado de Apilamiento Explicable XGBoost Explicable Extra Trees Proceso gaussiano Bosque Aleatorio Geográficamente Ponderado Ajuste fino de GPT Gradient Boosting Red de Atención Gráfica Redes Neuronales de Grafos Unidad Recurrente con Compuertas (GRU)Informer Isolation Forest Agrupamiento K-Means Vecinos más cercanos (K-NN)Destilación de Conocimiento Propagación de Etiquetas LightGBM LIME: Explicaciones Locales Interpretables Agnósticas al Modelo Análisis Discriminante Lineal (LDA)Regresión lineal (ML)Regresión Logística (ML)Longformer / BigBird LoRA y PEFT LSTM Estudio de Asociación de Epigenoma Completo Asistido por ML (ML-EWAS)Estudios de Asociación del Genoma Completo Asistidos por Aprendizaje Automático Análisis metabolómico asistido por aprendizaje automático Análisis de diversidad del microbioma asistido por aprendizaje automático Análisis de Enriquecimiento de Vías Asistido por Aprendizaje Automático Análisis de Expresión Diferencial de RNA-seq Asistido por Aprendizaje Automático Votación Mayoritaria Mezcla de Expertos Perceptrón multicapa (MLP)Perceptrón multicapa (MLP)Multinomial Logistic Regression N-BEATS N-HiTS Naive Bayes Búsqueda de Arquitecturas Neuronales ODE neuronal Online Bagging Random Forest en línea PatchTST Clasificación de imágenes basada en píxeles Árbol de decisión regularizado Random Forest Regularizado Conjunto de Apilamiento Regularizado Empaquetado Robusto Árbol de Decisión Robusto Gradient Boosting Robusto LightGBM Robusto Robust Random Forest Conjunto de apilamiento robusto Conjunto de Votación Robusta Autoatención Multi-cabeza Árbol de Decisión Auto-supervisado Potenciación del gradiente autosupervisada Bosque Aleatorio Autosupervisado Conjunto de apilamiento auto-supervisado Bagging Semi-supervisado Árbol de Decisión Semisupervisado FP-growth semisupervisado Isolation Forest Semisupervisado Bosque Aleatorio Semi-supervisado Ensamble de apilamiento semi-supervisado Máquina de Vectores de Soporte Semisupervisada XGBoost semi-supervisado Modelo Secuencia-a-Secuencia SHAP (SHapley Additive exPlanations)Stacking Descenso de Gradiente Estocástico (SGD)Máquina de Vectores de Soporte (Clasificación)Temporal Fusion Transformer TextCNN Transformer (PLN)UMAP Vision Transformer Aprendizaje contrastivo visual Ensamble de votación XGBoost

¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →