Fale sobre RandomForest: como funciona, em que se diferencia do bagging de árvores convencional.

O RandomForest é um método de aprendizagem automática em conjunto que constrói múltiplas árvores de decisão e combina suas previsões para melhorar a qualidade e a estabilidade do modelo.

Principais características do RandomForest:

• Cada árvore é treinada numa subamostra aleatória dos dados originais com reposição (bagging).
• Ao construir cada árvore, em cada nó, é selecionado um subconjunto aleatório de características, do qual a melhor é escolhida para dividir.

Diferenças em relação ao bagging clássico de árvores:

• No bagging clássico, as árvores são construídas em subamostras aleatórias de dados, mas na seleção da característica para dividir, usa-se o conjunto completo de características.
• No RandomForest, além disso, é introduzida aleatoriedade na seleção de características em cada nó, o que reduz a correlação entre as árvores e aumenta a capacidade de generalização.

Exemplo em 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)

Aqui, o parâmetro max_features='sqrt' define um subconjunto aleatório de características para cada divisão.