Avec l'accroissement drastique du volume de données, le sous-échantillonnage est devenu une pratique courante en apprentissage statistique. Sélectionnant un sous-groupe d'individus sur lequel le classifieur (ou le régresseur) va être entraîné, le sous-échantillonnage vise à réduire le coût et le

Les forêts aléatoires (Breiman, 2001) font partie des algorithmes d'apprentissage automatique les plus utilisés pour résoudre des problèmes d'apprentissage supervisé. Elles agrègent les prédictions de plusieurs arbres de décision, dont la construction présente une dépendance complexe en les données d’apprentissage.