Un comité de árboles simples, cada uno corrige los errores del anterior; durante mucho tiempo el clasificador estándar en física de partículas.Los árboles de decisión potenciados (BDT, por sus siglas en inglés) son un método de aprendizaje conjunto que combina muchos árboles de decisión simples para producir un clasificador potente. Cada árbol se entrena secuencialmente, y cada nuevo árbol se centra en los errores cometidos por los anteriores. Los BDT han sido el clasificador de referencia en la física de partículas de alta energía durante más de una década, utilizados para distinguir señales raras del ruido de fondo abrumador en los datos de los colisionadores.
El concepto de potenciación fue introducido por Robert Schapire en 1990, y el algoritmo AdaBoost fue desarrollado por Freund y Schapire en 1995. Los BDT se convirtieron en estándar en la física de partículas tras el descubrimiento del bosón de Higgs en 2012, donde desempeñaron un papel clave en la separación de la señal del Higgs del fondo.
El algoritmo de potenciación más común es AdaBoost: se comienza con un conjunto de pesos sobre las muestras de entrenamiento, se entrena un árbol poco profundo, luego se aumentan los pesos de las muestras mal clasificadas y se disminuyen los de las correctamente clasificadas. El siguiente árbol se entrena con los datos reponderados, y el proceso se repite. La predicción final es un voto ponderado de todos los árboles. La potenciación por gradiente es una generalización que optimiza una función de pérdida arbitraria ajustando cada nuevo árbol a los errores residuales del conjunto actual.
Los BDT se utilizan en física de partículas para la clasificación de eventos, en la calificación crediticia para la evaluación de riesgos y en el diagnóstico médico para la predicción de enfermedades a partir de datos de pacientes.
En el descubrimiento del bosón de Higgs en 2012, los BDT fueron tan efectivos que ayudaron a extraer una señal que aparecía en aproximadamente una de cada billón de colisiones protón-protón.








