{"id":164913,"date":"2022-11-24T11:32:06","date_gmt":"2022-11-24T10:32:06","guid":{"rendered":"https:\/\/liora.io\/de\/?p=164913"},"modified":"2026-02-24T16:24:47","modified_gmt":"2026-02-24T15:24:47","slug":"random-forest-definition","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/random-forest-definition","title":{"rendered":"Random Forest: Zufallswald, Definition und Funktionsweise"},"content":{"rendered":"

Ein Random Forest ist eine <\/strong>Machine-Learning-Technik<\/a>, die bei Data Scientists sehr beliebt ist, und das aus gutem Grund: Sie hat im Vergleich zu anderen Data-Algorithmen viele Vorteile.<\/strong><\/h2>\nEs ist eine einfach zu interpretierende, stabile Technik, die im Allgemeinen gute Akkuratesse aufweist und f\u00fcr Regressions- oder Klassifikationsaufgaben verwendet werden kann. Sie deckt daher einen Gro\u00dfteil der Probleme des Machine Learning <\/b>ab.\n\nIn Random Forest <\/b>steht zuerst das Wort „Forest“ (Wald). Das bedeutet, dass der Algorithmus auf B\u00e4umen basiert, die als Entscheidungsb\u00e4ume<\/b> bezeichnet werden.\n

Was ist ein Entscheidungsbaum ?<\/h3>\nWie der Name schon sagt, hilft ein Entscheidungsbaum dem Data Scientist<\/a><\/strong>, eine Entscheidung zu<\/b> treffen. <\/b>Er stellt eine  Reihe von Fragen <\/b>(auch Tests genannt) und deren Antworten (ja\/nein) f\u00fchren zur endg\u00fcltigen Entscheidung.<\/b>\n\nNehmen wir ein Beispiel f\u00fcr eine bin\u00e4re Klassifizierung<\/b>: Ob ein Pilz essbar ist, wird anhand folgender Kriterien – oder Features auf Englisch – ermittelt<\/b>: Farbe, Gr\u00f6\u00dfe des Pilzes, Form des Hutes, Geruch, Gr\u00f6\u00dfe des Stiels, Vorhandensein von Flecken etc\n
\n\t\t\t\t\t\t\t\t\t\t\"\"
Beispiel f\u00fcr einen Entscheidungsbaum<\/figcaption><\/figure>\n
\n\t\t\t\t\t\t\t\t\t\t\"\"\n\n
Schema eines Entscheidungsbaums<\/figcaption><\/figure>\n
Im Baum <\/i>entspricht jede Frage einem Knoten, <\/i><\/b>d. h. einer <\/i>Stelle, an der sich ein Zweig in zwei Zweige teilt<\/i><\/b>. Je nachdem, wie die Antwort auf die Frage lautet, bewegen wir uns in Richtung des einen oder anderen Zweiges des Baumes, um schlie\u00dflich zu <\/i>einem Blatt <\/i><\/b>des Baumes (oder Ende) zu <\/i>gelangen, <\/i><\/b>das die Antwort auf unsere Frage enth\u00e4lt.<\/i><\/blockquote>\nVielleicht fragst Du Dich, wie man die Reihenfolge der zu stellenden Fragen ausw\u00e4hlt: Warum sollte man mit dieser oder jener Frage beginnen? <\/b>\n\nBei jedem Knoten stellt sich der Algorithmus die Frage, welche Frage er stellen <\/b>soll, d.h. ob er sich eher f\u00fcr den Geruch, die Form des Hutes oder die Gr\u00f6\u00dfe des Pilzes interessieren soll. Er berechnet also f\u00fcr jedes Feature den Informationsgewinn, den <\/b>wir erhalten w\u00fcrden, wenn wir dieses Feature ausw\u00e4hlen w\u00fcrden. Wir wollen den Informationsgewinn maximieren. Der Baum w\u00e4hlt also die Frage aus und somit das Feature, das diesen Gewinn maximiert. <\/b>\n

Der Wald, eine Kombination von B\u00e4umen?<\/h3>\nRandom Forest <\/b>ist eine sogenannte Ensemble-Methode, d. h. es werden Ergebnisse „zusammengesetzt<\/b>“ oder kombiniert, <\/b>um ein tolles Endergebnis zu erzielen. \n\nAber die Ergebnisse, wovon? Ganz einfach: die verschiedenen Entscheidungsb\u00e4ume, aus denen sie zusammengesetzt sind.\n\nSie k\u00f6nnen aus mehreren Dutzend oder sogar Hunderten von B\u00e4umen bestehen. Die Anzahl der B\u00e4ume ist ein Parameter, der normalerweise durch <\/b>Kreuzvalidierung angepasst wird. Kurz gesagt ist die Kreuzvalidierung eine <\/b>Technik zur Bewertung eines Machine-Learning-Algorithmus, bei der das <\/b>Modell mit Teilen des Ausgangsdatensatzes trainiert und getestet wird.\n\nJeder Baum wird auf eine Teilmenge <\/b>des Datasets trainiert und liefert ein <\/b>Ergebnis (ja oder nein in unserem Pilzbeispiel). Die Ergebnisse aller <\/b>Entscheidungsb\u00e4ume werden dann zu einer endg\u00fcltigen Antwort zusammengefasst. Der Baum „stimmt“ ab <\/b>(ja oder nein) und die endg\u00fcltige Antwort ist diejenige, die die Mehrheit der Stimmen erhalten hat<\/b>.\n\nDies ist eine sogenannte Bagging-Methode <\/a>: \n