機械学習のアルゴリズムのひとつ。

決定木による複数の弱学習器を統合させるアンサンブル学習（バギング）のアルゴリズム。

訓練データから一部のデータを抽出して、少しずつ異なる決定木をたくさん構築し、それぞれの結果を統合（分類の場合は多数決、回帰の場合は平均値）して結果を出す。

データと特徴量の両方をランダムサンプリングする。

データサンプリングにはブートストラップ法を用いる。

決定木より汎化性能のよい識別・予測ができる。

一つの決定木では過学習しやすいが、決定木を集めたランダムフォレストは過学習を抑えることができる。

非線形関係も分析できる。

並列計算が可能であるため、計算速度が速い。

特徴量の重要度を可視化できる（出力結果を説明しやすい）。