Perbandingan model lebih mudah ditafsirkan ketika satu-satunya perbedaan yang disengaja adalah estimator-nya. Tugas-tugas ini menyediakan objek pelatihan dan uji yang tetap, lalu meminta Anda melatih pohon atau ensemble tertentu. Catatan fiktif berubah dari satu tugas ke tugas lain, jadi terapkan alur kerjanya, jangan menyalin prediksi sebelumnya.
Pohon klasifikasi dan pohon regresi memiliki ide pemisahan yang sama tetapi menghasilkan jenis output yang berbeda. Forest merata-ratakan pohon yang diacak; boosting membangun urutan aditif. Pertahankan keluarga estimator, ukuran, kedalaman, dan seed yang diminta di setiap soal. Pengaturan itu membuat perbandingan dapat diulang dan menjaga proses pelatihan tetap responsif di notebook. Kesalahan yang sengaja dibuat mencakup melatih pada baris holdout dan mengganti model dengan estimator dummy. Keduanya bisa mengembalikan array dengan bentuk yang benar padahal menjawab eksperimen yang salah.
Estimator yang sudah di-fit belajar dari partisi pelatihan. Memprediksi masukan yang disisihkan menghasilkan satu keluaran untuk setiap pengamatan uji, siap dievaluasi.