Diese Arbeit ist Teil des statistischen Lernens von Daten für die Modellentwicklung. Genauer gesagt, widmet es sich der Untersuchung von Zufallswäldern, die einer der neuesten Algorithmen in der Familie der Musterklassifikationsmethoden sind. Ein großer Vorteil von Random Forest ist, dass er sowohl für Klassifikations- als auch für Regressionsprobleme verwendet werden kann, die den Großteil der aktuellen maschinellen Lernsysteme ausmachen. In dieser Arbeit haben wir Coronavirus-Daten verwendet, um das vorgeschlagene Modell zu generieren und zu evaluieren. Wir wählten Zufallswälder, die eine einheitliche Mehrheitsabstimmung von Entscheidungsbäumen anwenden, um eine optimale Vorhersage zu erzeugen, um Patienten zu klassifizieren, die positiv oder negativ auf Coronavirus getestet wurden. Die Daten wurden als Trainingsmuster verwendet, um ein Entscheidungsmodell zu entwerfen.