Dans cet article, nous proposons un nouveau classificateur de forêt aléatoire (RF) qui supprime les caractéristiques peu informatives et génère sélectivement des arbres non corrélés. Cette approche permet de résoudre les problèmes de coût d'inférence élevé et de redondance des modèles de la forêt aléatoire (RF), largement utilisée dans divers domaines pour ses performances de classification robustes. Le modèle proposé est amélioré de manière itérative en supprimant les caractéristiques peu informatives, en déterminant analytiquement le nombre de nouveaux arbres et en supprimant les arbres redondants grâce à un clustering basé sur la corrélation. Les résultats expérimentaux obtenus avec huit jeux de données de référence différents (binaires et multi-classes) montrent que le modèle proposé atteint une meilleure précision que le RF standard.
