En intelligence artificielle, plus précisément en apprentissage automatique, les forêts d’arbres décisionnels (ou forêts aléatoires de l’anglais random forest classifier) forment une technique d’apprentissage à base d’arbres de décision. Elles ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler.
L’algorithme des forêts d’arbres décisionnels effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents. Cet algorithme combine les concepts de bagging (méthodes ensemblistes parallèles) pour la phase de sélection des données, et de sous-espaces aléatoires.