Random forest melatih banyak pohon yang diacak dan menggabungkan prediksinya. Merata-ratakan prediksi mengurangi ketergantungan pada satu pohon tertentu. Gradient boosting menambahkan pohon-pohon kecil secara berurutan, dan setiap tahap menangani kesalahan pada model saat itu. Kedua metode ini memiliki prosedur pelatihan yang berbeda meskipun sama-sama memuat pohon.
Latihan-latihan ini memakai ensemble kecil agar tetap responsif di notebook browser. Pengaturan yang diminta menetapkan perbandingan yang dapat diulang, bukan konfigurasi yang direkomendasikan untuk produksi. Latih ensemble pada baris pelatihan dan sisakan holdout untuk evaluasi. Kumpulan pohon yang lebih besar tidak memperbaiki kebocoran data atau definisi hasil yang salah. Anda akan membangun classifier dan regressor, lalu memilih keluarga estimator berdasarkan keluaran yang diminta. Seed tetap mengendalikan keacakan dalam latihan ini, tetapi tidak menggantikan validasi pada berbagai sampel.
Estimator yang sudah di-fit belajar dari partisi pelatihan. Memprediksi masukan yang disisihkan menghasilkan satu keluaran untuk setiap pengamatan uji, siap dievaluasi.