Bosque aleatorio (random forest)

Un bosque aleatorio (random forest) es un modelo que reúne muchos árboles de decisión y combina sus respuestas: en clasificación, gana la categoría con más votos; en regresión, se promedian las predicciones. Es un ejemplo de «sabiduría de las multitudes»: muchos modelos imperfectos, pero diferentes entre sí, suelen equivocarse menos juntos que por separado.

La clave está en que cada árbol sea distinto. Para lograrlo se usan dos fuentes de aleatoriedad: cada árbol se entrena con una muestra al azar de los datos, tomada con reemplazo (técnica llamada bagging), y en cada división sólo puede elegir entre un subconjunto aleatorio de características. La formulación más citada es la de Leo Breiman, publicada en 2001 en la revista Machine Learning, que se apoyó en trabajos previos como los de Tin Kam Ho.

Sus ventajas lo han hecho muy popular con datos tabulares: suele funcionar bien con pocos ajustes, es menos propenso al sobreajuste que un árbol aislado, tolera variables irrelevantes y ofrece una estimación de qué características influyen más en las predicciones.

A cambio, pierde la legibilidad de un árbol único: no se puede seguir a mano el razonamiento de 500 árboles. También puede ser más pesado en memoria y lento para predecir que modelos más simples. En competencias de datos tabulares, los métodos de gradient boosting suelen superarlo ligeramente, pero el bosque aleatorio sigue siendo una referencia sólida y fácil de usar.