bootstrap jest sposobem na od-korelowanie drzew poprzez pokazanie im różnych zestawów treningowych.
Ponadto oszacowanie niepewności predykcji może być wykonane jako odchylenie standardowe przewidywań ze wszystkich poszczególnych drzew regresji na :
Liczba próbek / drzew, , jest parametrem bezpłatnym. Zazwyczaj używa się od kilkuset do kilku tysięcy drzew, w zależności od wielkości i charakteru zestawu treningowego. Optymalną liczbę drzew można znaleźć za pomocą walidacji krzyżowej: średni błąd predykcji na każdej próbce treningowej , używając tylko drzew, które nie miały w próbce bootstrap. Błąd treningowy i testowy mają tendencję do wyrównywania się po dopasowaniu pewnej liczby drzew.
Od agregacji bootstrapowej po lasy losowe Powyższa procedura opisuje oryginalny algorytm agregacji bootstrapowej dla drzew. Losowe lasy różnią się tylko jednym sposobem od tego ogólnego schematu: używają zmodyfikowanego algorytmu uczenia się drzewa, który wybiera w każdym podziale kandydata w procesie uczenia się losowy podzbiór cech. Ten proces jest czasami nazywany „agregacją bootstrapowej funkcji”. Powodem tego jest korelacja drzew w zwykłej próbce bootstrapu: jeśli jedna lub kilka cech jest bardzo silnymi predyktorami dla zmiennej odpowiedzi (wynik docelowy), funkcje te zostaną wybrane w wielu drzewach , powodując ich skorelowanie.