Un bosque aleatorio ajusta muchos árboles aleatorizados y combina sus predicciones. Promediar reduce la dependencia de un único árbol ajustado. El gradient boosting añade árboles pequeños de forma secuencial, y cada etapa corrige errores del modelo actual. Los métodos tienen procedimientos de ajuste distintos aunque los dos contengan árboles.
Estos ejercicios usan conjuntos pequeños para que el cuaderno del navegador responda con rapidez. Los ajustes solicitados definen una comparación repetible, no una configuración recomendada para producción. Ajusta el conjunto con las filas de entrenamiento y deja el conjunto reservado para la evaluación. Una colección más grande de árboles no arregla una filtración ni una definición equivocada del resultado. Crearás clasificadores y regresores, y elegirás la familia de estimadores según la salida que se pide. Las semillas fijas controlan la aleatoriedad en este ejercicio, pero no sustituyen a la validación con distintas muestras.
El estimador ajustado aprende de la partición de entrenamiento. Predecir las entradas reservadas da una salida por cada observación de prueba, lista para evaluarla.