Moduł poświęcony lasom losowym (Smart Trees) jest rozszerzeniem modułu poświęconego drzewom klasyfikacyjnym. Znajomość tego ostatniego jest potrzebna do zrozumienia modułu nt. lasów. Lasy losowe wyróżniają się wśród metod klasyfikacji dużą mocą predykcyjną oraz wydajnością estymacji i zastosowania nawet na wielkich zbiorach danych z tysiącami zmiennych.

Podobnie jak drzewa klasyfikacyjne, lasy losowe mają dwa główne zastosowania: predykcję i deskrypcję. Do ich innych funkcji zalicza się m.in. analiza istotności zmiennych.

Ważną zaletą lasów losowych jest to, że w trakcie budowy modelu estymator błędu klasyfikacji jest automatycznie otrzymywany jako produkt uboczny algorytmu wyboru prób uczących dla każdego drzewa.

Lasy losowe zapewniają również rezultaty bardziej "wygładzone" niż te otrzymywane przy użyciu pojedynczego drzewa klasyfikacyjnego. Różnica jest widoczna szczególnie na dużych zbiorach danych. Jest to spowodowane tym, że w przypadku lasów losowych końcowa decyzja jest uśrednieniem wielu decyzji cząstkowych pochodzących z różnych, wchodzących w skład lasu, drzew klasyfikacyjnych.

Podobnie jak drzewa klasyfikacyjne, lasy losowe nie mają specyficznych wymagań odnośnie danych.

Wadą klasyfikacji za pomocą lasów losowych jest jej względna nieprzejrzystość. Las losowy w pewnym stopniu przypomina czarną skrzynkę: użytkownik nie ma wglądu w przebieg procesu decyzyjnego, a struktura modelu jest trudna do zinterpretowania z powodu jego rozmiaru i skomplikowania. Ponieważ końcowa decyzja jest średnią z wielu niezależnych decyzji cząstkowych, zazwyczaj nie ma możliwości wyjaśnienia, dlaczego decyzja modelu jest właśnie taka.