본 논문은 랜덤 포레스트(RFs)의 해석 가능성과 예측 성능을 향상시키는 새로운 프레임워크인 RF+를 제시합니다. RFs는 비선형적 유연성과 사용 편의성으로 인기 있지만, 블랙박스 모델이기 때문에 해석이 어렵고, 특히 Mean Decrease in Impurity (MDI)와 같은 특징 중요도 측정 방법은 불안정하고 과학적 의미가 모호합니다. RF+는 의사결정 트리를 선형 회귀로, MDI를 $R^2$ 값으로 재해석하여 RFs와 일반화 선형 모델의 장점을 결합합니다. 또한, 향상된 특징 중요도 측정 방법인 MDI+를 제시합니다. 모의실험과 실제 데이터셋을 통해 RF+가 RF보다 예측 정확도가 높고, MDI+가 기존 방법보다 신호 특징을 더 잘 식별하며, 특히 약물 반응 예측과 유방암 아형 분류 사례 연구에서 기존 방법보다 안정적으로 잘 알려진 유전자를 추출함을 보여줍니다.
