Cuéntame sobre RandomForest: cómo funciona, en qué se diferencia del bágging de árboles convencional.

RandomForest es un método de aprendizaje automático en conjunto que construye múltiples árboles de decisión y combina sus predicciones para mejorar la calidad y la estabilidad del modelo.

Características principales de RandomForest:

• Cada árbol se entrena en una submuestra aleatoria de los datos originales con reemplazo (bagging).
• Al construir cada árbol, en cada nodo se selecciona un subconjunto aleatorio de características, de las cuales se elige la mejor para dividir.

Diferencias con el bagging clásico de árboles:

• En el bagging clásico, los árboles se construyen en submuestras aleatorias de datos, pero en la selección de la característica para dividir se usa el conjunto completo de características.
• En RandomForest, además, se introduce aleatoriedad en la selección de características en cada nodo, lo que reduce la correlación entre los árboles y aumenta la capacidad de generalización.

Ejemplo en Python usando sklearn:

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100, max_features='sqrt')
model.fit(X_train, y_train)
predictions = model.predict(X_test)

Aquí, el parámetro max_features='sqrt' establece un subconjunto aleatorio de características para cada división.