Dans la régression, les forêts aléatoires (RF) produisent des estimations et des prédictions qui sont, dans la plupart des cas, inévitablement biaisées. Nous expliquons les sources sous-jacentes de ce biais en termes de fonctions de distribution conditionnelles estimées (ECDF) basées sur les RF. En outre, nous expliquons comment le choix des valeurs des paramètres de réglage et la complexité de la structure des données sous-jacentes peuvent contribuer au biais dans l'ECDF. Nous proposons une nouvelle procédure de correction du biais en deux étapes qui vise à réduire le biais de l'ECDF et de toutes les estimations qui en découlent. La deuxième étape modélise l'écart de l'ECDF par rapport à sa distribution uniforme attendue. Cette méthode est particulièrement efficace pour l'estimation des quantiles. Des simulations montrent que les intervalles de prédiction produits par notre méthode ont une couverture conditionnelle meilleure et plus cohérente que ceux produits par nos concurrents.