Bir Karar Ormanı (DT) topluluğu tarafından Rastgele Orman (RF) oluşturulur. Torbalama kullanılarak, her DT farklı bir veri alt kümesinde eğitilir. Bu nedenle, yeni verilere daha fazla karar verme eğilimi ekleyerek çevrimiçi rastgele bir orman uygulamanın herhangi bir yolu var mı?
Örneğin, 10K örneğimiz var ve 10 DT eğitiyoruz. Sonra 1K numune alıyoruz ve tam RF'yi tekrar eğitmek yerine yeni bir DT ekliyoruz. Tahmin, şimdi 10 + 1 DT'lerin Bayes ortalaması ile yapılır.
Buna ek olarak, önceki tüm verileri saklarsak, yeni DT'ler esas olarak yeni verilerde eğitilebilir, burada örnek seçme olasılığının zaten kaç kez seçildiğine bağlı olarak ağırlıklandırılması.