@titusTemeli karar ağaçlarına dayanan ve Leo Breiman tarafından geliştirilen bir makine öğrenmesi tekniğidir. Birden çok karar ağacının birleştirilmesiyle karar ormanı oluşturulur ve buradaki her bir karar ağacından elde edilen tahmin sonuçları birleştirilerek nihai tahmin yapılmaktadır. Bu nedenle Rastgele Orman bir topluluk öğrenme yöntemidir. Breiman, Amit ve Geman’ın çalışmalarındaki her düğüm için en iyi ayrımın rastgele bir seçim üzerinden belirlendiği çıktısından etkilenerek, Torbalama (Bagging) ve Random Subspace yöntemini birleştirmiştir. Öncelikle bootstrap tekniği ile girdilerden bağımsız olarak örneklem oluşturulur, daha sonra ise Random Subspace yöntemiyle tüm değişkenlerin içinden rastgele seçilen az sayıdaki değişken ile her bir düğümde en iyi dallara ayrılan değişken seçilmektedir (Akman, 2010). Rastgele orman tekniğini diğerlerinden ayıran en önemli faktör rastgele değişken seçilme özelliğidir. Diğer makine öğrenme tekniklerinde daha spesifik ve belli kriterlere uyan değişkenler seçilirken rastgele ormanda ise araştırmacı tarafından istenilen herhangi bir değişken algoritmaya dahil edilmektedir. Bu da rastgele ormanın sonuçlarının daha genellenebilir olmasına imkan sağlamaktadır. Böylece var olan veri seti her şeyiyle beraber rahatlıkla temsil edilebilmektedir.
Rastgele orman tekniğini diğer makine öğrenmesi tekniklerinden ayıran diğer bir yönü aşırı öğrenme probleminin olmamasıdır. Çünkü her ağaçta veriler ve değişkenler farklı olduğu için kolayca öğrenebilir ve uyum sorunu yaşamaz. Bu sebeple çok girdi değişkeni olan büyük verilerde ve büyük kısmı eksik olan veri setlerinde çok rahatlıkla çalışabilme imkanı sağlamaktadır. Araştırmacının istediği kadar ağaç oluşturabilmesi ve ağaçlarda farklı değişken ve verilerin kullanılması sebebiyle oluşturulan ağaçlarda budamaya ihtiyaç duyulmaz. Bu da rastgele ormanı karar ağaçlarından ayıran önemli bir özelliktir. Hızlı, aşırı uyumlu ve istenildiği kadar ağaçla çalışabilmesi nedeniyle rastgele orman algoritması şu ana kadarki algoritmalar arasında eşsiz bir doğruluğa sahip algoritma olarak tanımlanmaktadır.
Rastgele orman tekniğini diğer makine öğrenmesi tekniklerinden ayıran diğer bir yönü aşırı öğrenme probleminin olmamasıdır. Çünkü her ağaçta veriler ve değişkenler farklı olduğu için kolayca öğrenebilir ve uyum sorunu yaşamaz. Bu sebeple çok girdi değişkeni olan büyük verilerde ve büyük kısmı eksik olan veri setlerinde çok rahatlıkla çalışabilme imkanı sağlamaktadır. Araştırmacının istediği kadar ağaç oluşturabilmesi ve ağaçlarda farklı değişken ve verilerin kullanılması sebebiyle oluşturulan ağaçlarda budamaya ihtiyaç duyulmaz. Bu da rastgele ormanı karar ağaçlarından ayıran önemli bir özelliktir. Hızlı, aşırı uyumlu ve istenildiği kadar ağaçla çalışabilmesi nedeniyle rastgele orman algoritması şu ana kadarki algoritmalar arasında eşsiz bir doğruluğa sahip algoritma olarak tanımlanmaktadır.