جنگل تصادفی (RF) یک روش یادگیری ماشین گروهی است که بسیاری از درخت‌های تصمیم را می‌سازد، هرکدام بر روی زیرمجموعه‌ای تصادفی از داده‌ها و ویژگی‌ها آموزش می‌بیند، و پیش‌بینی‌های آن‌ها را از طریق رای‌گیری اکثریت (طبقه‌بندی) یا میانگین‌گیری (رگرسیون) ترکیب می‌کند. این روش به‌طور گسترده در مهندسی زلزله برای تحلیل شکنندگی، طبقه‌بندی خسارت و مدل‌سازی جانشین استفاده می‌شود.
جنگل تصادفی (RF)، که توسط لئو بریمن در سال ۲۰۰۱ معرفی شد، یک روش یادگیری گروهی است که بسیاری از درخت‌های تصمیم را برای تولید یک پیش‌بینی واحد و مقاوم‌تر ترکیب می‌کند. هر درخت در جنگل بر روی یک نمونه بوت‌استرپ—نمونه‌ای تصادفی که با جایگذاری از مجموعه داده اصلی کشیده شده—آموزش می‌بیند و در هر گره، تنها زیرمجموعه‌ای تصادفی از ویژگی‌های ورودی برای انشعاب در نظر گرفته می‌شود. این تصادفی‌سازی دوگانه (نمونه‌گیری بوت‌استرپ و زیرنمونه‌گیری ویژگی) درخت‌های مستقل را از هم جدا می‌کند که کلید مقاومت چشمگیر RF در برابر برازش بیش‌ازحد است.
این الگوریتم با ساخت K درخت تصمیم به‌صورت مستقل عمل می‌کند، هرکدام بر روی یک نمونه بوت‌استرپ متفاوت رشد می‌کند. در هر گره از هر درخت، زیرمجموعه‌ای تصادفی از m ویژگی (معمولا √M برای طبقه‌بندی یا M/3 برای رگرسیون، که M تعداد کل ویژگی‌ها است) برای یافتن بهترین انشعاب ارزیابی می‌شود. برای وظایف طبقه‌بندی، پیش‌بینی نهایی از طریق رای‌گیری اکثریت در سراسر درختان تعیین می‌شود؛ برای رگرسیون، خروجی‌ها میانگین‌گیری می‌شوند. با افزایش تعداد درختان، خطای تعمیم به یک حد همگرا می‌شود، به این معنا که افزودن درختان بیشتر هرگز باعث برازش بیش‌ازحد نمی‌شود—فقط عملکرد را بهبود یا تثبیت می‌کند.
در مهندسی زلزله، RF به یکی از پرکاربردترین الگوریتم‌های یادگیری ماشین تبدیل شده است. مانگالاتو و جئون RF را برای تحلیل شکنندگی لرزه‌ای مجموعه پل‌ها به کار بردند و مطالعات بعدی از RF برای ارزیابی خسارت پس از زلزله، تحلیل آسیب‌پذیری تونل و شکنندگی دیوار برشی بلندمرتبه استفاده کرده‌اند. یک مطالعه بر روی سازه‌های دیوار برشی بلندمرتبه نشان داد که RF دقت بالاتری در تحلیل شکنندگی لرزه‌ای نسبت به مدل‌های پرسپترون چندلایه (MLP) فراهم می‌آورد. توانایی RF در مدیریت داده‌های پر‌بعد، مقاومت آن در برابر نویز و برآورد اهمیت ویژگی تعبیه‌شده، آن را به‌ویژه برای کاربردهای لرزه‌ای مناسب می‌سازد که در آن‌ها پارامترهای ورودی (PGA، بزرگا، فاصله، خواص سازه) متعدد و روابطشان غیرخطی است.