این مطالعه به بررسی کاربرد الگوریتم جنگل تصادفی در رابطه با تکنیک‌های طیف‌سنجی، به‌ویژه طیف‌سنجی مادون قرمز نزدیک مرئی (Vis-NIR)، برای پیش‌بینی ویژگی‌های کیفیت کلیدی گیلاس می‌پردازد. هدف این مقاله ارایه یک روش قابل اعتماد و کارآمد برای ارزیابی غیر مخرب محتوای قند، اسیدیته و سختی، عوامل مهم تعیین کننده کیفیت گیلاس و پذیرش مصرف کننده، می باشد. در این مطالعه ۲۰۰ نمونه تصادفی از محصول گیلاس تهیه شد. داده های طیفی به دست آمدند. در ادامه داده‌های طیفی به‌دست‌آمده از طیف‌سنجی Vis-NIR توسط روش Relief مورد ارزیابی قرار گرفته و برای هر کدام از مقادیر متغیرهای وابسته (مقادیر قند، اسیدیته و سفتی)، پنج طول موج موثر به طور جداگانه انتخاب شدند. در ادامه طول موج های موثر انتخاب شده به‌عنوان ویژگی‌های ورودی برای مدل جنگل تصادفی، که بر روی مجموعه داده‌ای شامل نمونه‌هایی با محتوای قند، سطوح اسیدیته و اندازه‌گیری‌های سختی شناخته شده آموزش داده می‌شود، استفاده شدند. عملکرد مدل از نظر دقت پیش‌بینی و استحکام از طریق اعتبارسنجی متقابل و آزمایش مستقل ارزیابی با به کارگیری میانگین مربعات خطا (RMSE) و ضریب همبستگی (CC) مورد ارزیابی قرار گرفت. نتایج نشان‌دهنده اثربخشی الگوریتم جنگل تصادفی در پیش‌بینی دقیق محتوای قند، اسیدیته و سختی گیلاس بر اساس اطلاعات طیفی است. رویکرد پیشنهادی یک راه حل سریع، غیر مخرب و مقرون به صرفه برای ارزیابی کیفیت در صنعت گیلاس ارائه می‌کند و تولیدکنندگان و ذینفعان را قادر می‌سازد تا تصمیم‌گیری آگاهانه در مورد برداشت، مرتب‌سازی و فرآیندهای پس از برداشت بگیرند.