Busca pela menor floresta aleatória

As florestas aleatórias surgiram como um dos métodos estatísticos não paramétricos mais comumente utilizados em muitas áreas científicas, particularmente na análise de dados genômicos de alto rendimento. Uma prática geral ao usar florestas aleatórias é gerar um número suficientemente grande de árvores, embora seja subjetivo o que constitui um tamanho suficiente. Além disso, as florestas aleatórias são vistas como "caixas-pretas" devido ao seu tamanho. Neste trabalho, abordamos uma questão fundamental no uso de florestas aleatórias: quão grande uma floresta aleatória deve ser? Para isso, propomos um método específico para encontrar uma sub-floresta (por exemplo, com um número de árvores de um único dígito) que possa alcançar a precisão de predição de uma grande floresta aleatória (da ordem de milhares de árvores). Nós testamos em estudos de simulação extensivos e em um estudo real sobre prognóstico de câncer de mama. Os resultados mostram que tais sub-florestas geralmente existem e a maioria delas é muito pequena, sugerindo que são na verdade os "representantes" de toda a floresta aleatória. Concluímos que as sub-florestas são de fato o núcleo de uma floresta aleatória. Assim, não é necessário usar toda a floresta para obter um desempenho de predição satisfatório. Além disso, ao reduzir o tamanho de uma floresta aleatória para um tamanho gerenciável, a floresta aleatória não é mais uma caixa-preta.