본 논문은 다양한 분야에서 견고한 분류 성능으로 널리 사용되는 랜덤 포레스트(RF)의 높은 추론 비용과 모델 중복성 문제를 해결하기 위해, 정보량이 적은 특징을 제거하고 상관관계가 없는 트리를 선택적으로 생성하는 새로운 랜덤 포레스트 분류기를 제안합니다. 제안된 모델은 정보가 적은 특징을 제거하고, 분석적으로 새로운 트리의 개수를 결정한 후, 상관관계 기반 클러스터링을 통해 중복 트리를 제거함으로써 반복적으로 개선됩니다. 8개의 다양한 벤치마크 데이터셋(이진 및 다중 클래스 포함)을 이용한 실험 결과, 제안된 모델은 표준 RF보다 향상된 정확도를 달성했습니다.
