Random Forests (RF)에 의해 생성된 변수 중요도 (Variable importance)은 통계적 데이터 분석에서 널리 사용되며, 모델 해석 (model interpretation) 보조, 모델 선택 (model selection) 및 진단 (diagnosis), 비용 제한 학습 (cost-bounded learning) 등 다양한 작업에서 중요한 역할을 해왔습니다. 그러나 RF에서의 변수 중요도 계산은 변수 간의 상관관계 (correlations)를 고려하지 않으며, 다른 많은 변수와 상관되어 있는 변수는 더 낮은 중요도 지수를 받거나 다른 강력하게 상관된 변수들에 의해 완전히 마스킹 (masking, 즉 중요도 지수가 0에 가까워짐)되는 경향이 있습니다. 변수 중요도를 계산할 때 원치 않는 상관 변수들로부터의 영향을 방지하기 위해, 우리는 조건부 상관관계 (conditional correlations, 반응 변수 (response variable)에 대한 조건부)에 따라 변수들을 그룹화할 것을 제안합니다. 우리는 계산 효율적인 두 가지 옵션을 탐색하는데, 하나는 변수들을 개별적으로 그룹화한 다음 관심 변수를 모든 상관 변수로부터 분리하는 방식이며, 다른 하나는 클러스터링 (clustering)을 사용하여 쌍별 조건부 상관관계 (pair-wise conditional correlations)에 따라 변수들을 그룹화하는 방식입니다. 우리의 실험은 두 방식 모두 변수의 중요도에 대해 합리적인 교정 (corrections)을 이끌어낸다는 것을 보여줍니다.