Uma floresta aleatória ajusta muitas árvores aleatorizadas e combina as previsões delas. Tirar a média reduz a dependência de uma única árvore ajustada. O gradient boosting adiciona árvores pequenas em sequência, e cada estágio corrige erros do modelo atual. Os métodos têm procedimentos de ajuste diferentes, embora ambos contenham árvores.
Estes exercícios usam conjuntos pequenos para que o notebook no navegador responda rápido. As configurações pedidas definem uma comparação repetível, não uma configuração recomendada para produção. Ajuste o conjunto com as linhas de treinamento e deixe o conjunto reservado para a avaliação. Uma coleção maior de árvores não corrige vazamento de dados nem uma definição errada do resultado. Você vai criar classificadores e regressores, escolhendo a família de estimadores de acordo com a saída exigida. Sementes fixas controlam a aleatoriedade neste exercício, mas não substituem a validação com várias amostras.
O estimador ajustado aprende com a partição de treino. Prever as entradas reservadas gera uma saída para cada observação de teste, pronta para ser avaliada.