🌲
Configure o número de árvores e hiperparâmetros, depois clique em Treinar Floresta.
Dataset Iris carregado • 150 amostras
🌲 Floresta
🖼️ Galeria de Árvores
🗳️ Votação
📊 Importância
📐 Fronteira
📈 Métricas
📋 Dados
🌲 Visão Geral da Floresta
O Random Forest é um ensemble de árvores de decisão treinadas com duas fontes de aleatoriedade:
(1) bootstrap sampling — cada árvore vê uma amostra aleatória com reposição —
e (2) feature subsampling — em cada split, apenas um subconjunto aleatório de features é considerado.
A predição final é o voto majoritário de todas as árvores. Isso reduz variância e overfitting.
📊 Distribuição de profundidade e tamanho das árvores
🖼️ Galeria de Árvores Individuais
Navegue pelas árvores individuais da floresta. Observe como cada árvore é diferente devido à amostragem bootstrap e ao subconjunto de features. Essa diversidade é o que torna o ensemble poderoso.
Árvore 1 / N
🗳️ Voto das Árvores (por amostra de teste)
Cada árvore "vota" em uma classe. A classe com mais votos vence. Navegue pelas amostras de teste e veja como as árvores divergem ou concordam.
📊 Importância Agregada das Features
A importância de cada feature é calculada pela redução média de impureza ponderada, agregada sobre todas as árvores da floresta.
📐 Fronteira de Decisão (projeção 2D)
A fronteira do Random Forest é um mosaico resultante da combinação de muitas árvores, formando regiões com cantos e bordas características.