เปรียบเทียบวิธี

	Random Forest	ต้นไม้ตัดสินใจ
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2001	1984
ผู้ริเริ่ม	Breiman, L.	Breiman, Friedman, Olshen & Stone
ประเภท	Ensemble (bagging of decision trees)	Recursive partitioning (if-then rules)
แหล่งต้นตำรับ	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.	Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Wadsworth.
ชื่อเรียกอื่น	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble	Karar Ağacı (Decision Tree), karar ağacı, classification tree, regression tree
ที่เกี่ยวข้อง	4	5
สรุป	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.	A Decision Tree is an interpretable classification and regression method, formalised by Breiman, Friedman, Olshen and Stone in their 1984 CART framework, that partitions the data with hierarchical if-then rules. Each split sends observations down one branch or another until a prediction is read off the leaf.