En algoritmos basados en árboles como bosque aleatorio y bosque profundo, debido a la presencia de numerosos árboles y bosques ineficientes en el modelo, la carga computacional aumenta y la eficiencia disminuye. Para abordar este problema, en el presente documento se propone un modelo llamado Reducción Automática de Bosque Profundo (ADeFS) basado en técnicas de reducción. El propósito de este modelo es reducir el número de árboles, mejorar la eficiencia del gcforest y disminuir la carga computacional. El modelo propuesto consta de cuatro pasos. El primer paso es el escaneo multinivel, que lleva a cabo una estrategia de ventana deslizante para escanear los datos de entrada y extraer las relaciones entre las características. El segundo paso es el bosque en cascada, que está estructurado capa por capa con un número de bosques que consisten en bosque aleatorio (RF) y bosque completamente aleatorio (CRF) dentro de cada capa. En el tercer paso, que es la innovación de este documento, se emplean técnicas de reducción como LASSO y red elástica (EN) para disminuir el número de árboles en la última capa del paso anterior, disminuyendo así la carga computacional y mejorando el rendimiento del gcforest. Entre varias técnicas de reducción, la red elástica (EN) proporciona un mejor rendimiento. Finalmente, en el último paso, se emplea el método de conjunto de promedio simple para combinar los árboles restantes. El modelo propuesto se evalúa mediante simulación de Monte Carlo y tres conjuntos de datos reales. Los hallazgos demuestran el rendimiento superior del modelo propuesto ADeFS-EN sobre tanto gcforest como RF, así como la combinación de RF con técnicas de reducción.