چکیده: جنگل تصادفی یکی از روش‌های فراگیر و مدرن داده‌کاوی است که در زمره روش‌های اجماع خودگردان یا Baggingقرار گرفته و ترکیبی از درخت‌های تصمیم می‌باشد. این روش، یک ابزار معمول برای رده‌بندی داده‌ها در ابعاد بالا است به طوری که قادر به پیش‌بینی رده مشاهدات و تعیین رتبه متغیرهای پیش‌گو براساس میزان اهمیت آن متغیرها بوده و قابل استفاده برای متغیر پاسخ از نوع کمّی، اسمی یا بقا است. اما وقتی متغیر پاسخ از نوع رتبه‌ای است، بطور معمول آن را به صورت اسمی در نظر می‌گیرند که باعث نادیده گرفتن اطلاعات رتبه‌ای و کاهش دقت پیش‌بینی می‌شود. در این پایان‌نامه با اعمال تغییراتی در الگوریتم درخت تصمیم، گونه‌ای متفاوت از روش جنگل تصادفی که مختص متغیر پاسخ رتبه‌ای است مورد مطالعه قرار می‌گیرد. نتایج داده‌های شبیه‌سازی و واقعی حاکی از آن است که با اعمال این تغییرات، عملکرد پیش‌بینی نسبت به روش کلاسیک جنگل تصادفی بهبود یافته است.