La capacidad e integral de Choquet es un esquema eminente para representar el conocimiento de interacción entre múltiples criterios de decisión y tratar con la información de preferencia de múltiples fuentes independientes. En este artículo, mejoramos la capacidad de aprendizaje del patrón de decisión de este esquema al combinarlo con otra poderosa herramienta de aprendizaje automático, el bosque aleatorio de árboles de decisión. Primero utilizamos el método de ajuste de capacidad para entrenar los árboles de decisión basados en la capacidad e integral de Choquet y luego los componemos en el bosque aleatorio de capacidad (CRF) para aprender y explicar mejor el patrón de decisión dado. Los algoritmos de CRF para resolver problemas de clasificación y ordenación basados en criterios múltiples correlativos están ambos construidos y discutidos. Se presentan dos ejemplos ilustrativos para mostrar las posibilidades de los algoritmos propuestos. Se muestra que, por un lado, el método CRF puede proporcionar información de explicación más detallada y un resultado de predicción colectiva más confiable que los principales métodos de ajuste de capacidad existentes; por otro lado, CRF amplía la aplicabilidad del método tradicional de bosque aleatorio para resolver problemas de clasificación y ordenación de múltiples criterios con un conjunto de datos de aprendizaje de decisiones relativamente pequeño.