Random Forrest

Kurzbeschriebung

Random Forest ist ein ensemblebasiertes maschinelles Lernverfahren, das aus einer großen Anzahl von Entscheidungsbäumen besteht, die jeweils auf zufälligen Teilmengen der Daten und der Prädiktoren trainiert werden. Die Vorhersage erfolgt durch Aggregation der Einzelergebnisse (Mehrheitsvotum bei Klassifikation, Mittelwert bei Regression).

Die zentrale Idee ist die Reduktion von Varianz gegenüber einzelnen Entscheidungsbäumen: Durch Bagging (Bootstrap Aggregating) und zufällige Merkmalsauswahl pro Knoten werden Bäume entkoppelt, sodass Überanpassung effektiv reduziert wird. Jeder Baum ist für sich ein schwacher Lerner, das Ensemble jedoch ein starker Prädiktor.

Random Forests sind nichtparametrisch, können hochdimensionale und nichtlineare Zusammenhänge abbilden und benötigen keine explizite Modellannahme über die Datenverteilung. Sie liefern zusätzlich Maße der Variablenwichtigkeit, sind jedoch keine kausalen Modelle.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen und Public Health werden Random-Forest-Modelle häufig für Risikoprädiktion, Klassifikation und Prognose eingesetzt, etwa zur Vorhersage von Krankheitsrisiken, Komplikationen, Wiederaufnahmen oder Mortalität auf Individual- oder Populationsebene.

Sie sind besonders nützlich bei großen, heterogenen Datensätzen (Register-, EHR-, Surveillance-Daten), in denen komplexe Wechselwirkungen und Nichtlinearitäten auftreten. Random Forests dienen oft als leistungsstarke Vergleichs- oder Ensemble-Komponente, weniger als erklärendes Modell.

Sonstiges

Sehr robust gegenüber Ausreißern und Überanpassung

Kann mit gemischten Datentypen umgehen

Eingeschränkte Interpretierbarkeit einzelner Effekte

Semantik

Wikidata-Identifikator ist: Q1076779

Deutsche Wikipediaseite ist: wiki/Random_Forest

Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/Random_forest

Quelle: Breiman, L. (2001), Random Forests

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel;groß„Mittel;groß“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Vorhersage;Inferenz„Vorhersage;Inferenz“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Maschinelles Lernen;Hybrid„Maschinelles Lernen;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel;schlecht„Mittel;schlecht“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.

Webseite: https://www.stat.berkeley.edu/~breiman/RandomForests/