Arquiteturas de preditores como as Florestas Aleatórias auxiliam na criação de estruturas mais robustas de aprendizado, ou seja, menos suceptiveis ao overfitting e ao underfitting. A criação de arquiteturas paralelas de Máquinas de Comitês se baseia na premissa de que:

Preditores 'fracos' treinados sobre dados diferentes combinados paralelamente criam preditores mais precisos e robustos que preditores únicos e não preditores em série.
Preditores 'fracos' treinados sobre bases de dados diferentes que, quando combinados em paralelo, geram preditores individuais precisos que preditores em série.
Preditores 'fracos' treinados sobre dados diferentes apresentam uma variabilidade que, quando combinados, criam previsões mais precisas e robustos do que preditores únicos e não preditores em série.
Preditores 'fracos' treinados repetidas vezes sobre a mesma base, quando combinados paralelamente, criam previsões mais precisas e robustas do que preditores combinados treinados sobre dados diferentes.
a) A premissa dos preditores em paralelo é que preditores 'fracos' treinados sobre dados diferentes combinados paralelamente criam preditores mais precisos e robustos que preditores únicos e não preditores em série.
b) Preditores 'fracos' treinados sobre bases de dados diferentes que, quando combinados em paralelo, geram preditores individuais precisos que preditores em série.
c) Preditores 'fracos' treinados sobre dados diferentes apresentam uma variabilidade que, quando combinados, criam previsões mais precisas e robustos do que preditores únicos e não preditores em série.
d) Preditores 'fracos' treinados repetidas vezes sobre a mesma base, quando combinados paralelamente, criam previsões mais precisas e robustas do que preditores combinados treinados sobre dados diferentes.