যদি আমরা একটি পূর্ণ বর্ধিত সিদ্ধান্তের গাছটিকে বিবেচনা করি (যেমন একটি অরক্ষিত সিদ্ধান্ত গাছ) এটির উচ্চতর বৈকল্পিকতা এবং কম পক্ষপাত রয়েছে।
ব্যাগিং এবং র্যান্ডম অরণ্যগুলি এই উচ্চতর বৈকল্পিক মডেলগুলি ব্যবহার করে এবং বৈকল্পিকতা হ্রাস করতে এবং এইভাবে পূর্বাভাসের নির্ভুলতা বাড়ানোর জন্য তাদের একত্র করে। ব্যাগিং এবং এলোমেলো বন উভয়ই বুটস্ট্র্যাপের নমুনা ব্যবহার করে এবং "স্ট্যাটাসটিকাল লার্নিং এর উপাদানসমূহ" তে বর্ণিত হিসাবে এটি একক গাছের পক্ষপাত বাড়িয়ে তোলে।
তদুপরি, র্যান্ডম ফরেস্ট পদ্ধতিটি প্রতিটি নোডে অনুমোদিত ভেরিয়েবলগুলিকে বিভক্ত করতে সীমাবদ্ধ করার কারণে, একটি একক এলোমেলো বন গাছের পক্ষপাতিত্ব আরও বেশি বৃদ্ধি পেয়েছে।
সুতরাং, ব্যাগিং এবং র্যান্ডম অরণ্যে একক গাছের পক্ষপাত বাড়ানো যদি বৈকল্পিক হ্রাসকে "নজরদারি" না করে তবে ভবিষ্যদ্বাণীটির সঠিকতা কেবলমাত্র বৃদ্ধি করা হয়।
এটি আমাকে নিম্নলিখিত দুটি প্রশ্নের দিকে নিয়ে যায়: 1) আমি জানি যে বুটস্ট্র্যাপের নমুনা নিয়ে আমরা (প্রায় সর্বদা) বুটস্ট্র্যাপের নমুনায় কিছু একই পর্যবেক্ষণ করব। তবে কেন এটি ব্যাগিং / এলোমেলো বনাঞ্চলে পৃথক গাছের পক্ষপাতিত্ব বাড়ায়? ২) তদতিরিক্ত, কেন প্রতিটি বিভক্তিতে বিভাজন উপলভ্য পরিবর্তনশীলগুলির সীমাটি এলোমেলো বনাঞ্চলের পৃথক গাছগুলিতে উচ্চ পক্ষপাতের দিকে পরিচালিত করে?