جنگل تصمیم یک اصطلاح عمومی برای توصیف مدل های ساخته شده از درخت های تصمیم گیری چندگانه است. پیش‌بینی جنگل تصمیم، تجمیع پیش‌بینی‌های درختان تصمیم آن است. اجرای این تجمیع به الگوریتم مورد استفاده برای آموزش جنگل تصمیم بستگی دارد. به عنوان مثال، در یک جنگل تصادفی طبقه‌بندی چند طبقه (نوعی جنگل تصمیم)، هر درخت به یک کلاس رای می‌دهد و پیش‌بینی جنگل تصادفی بیشترین کلاس را دارد. در طبقه‌بندی باینری درخت تقویت‌شده با گرادیان (GBT) (نوع دیگری از جنگل تصمیم‌گیری)، هر درخت یک logit (مقدار ممیز شناور) خروجی می‌دهد، و پیش‌بینی درخت تقویت‌شده گرادیان، مجموع مقادیری است که به دنبال آن یک تابع فعال‌سازی (مثلا سیگموید) ).
دو فصل بعدی به تفصیل آن دو الگوریتم جنگل تصمیم گیری را توضیح می دهد.