R 克服随机森林回归中的多重共线性，保持模型中所有变量不变

我不熟悉随机森林回归。我在prep1中有300个连续变量（299个预测值和1个目标值），其中一些预测值高度相关。问题是，我仍然需要获得每个预测值的重要性值，，因此排除一些预测值不是一个选项

以下是我的问题：

1） 是否有一种方法可以为每个树只选择不高度相关的变量，如果有，下面的代码应该如何调整

2） 假设1）为“是”，这会解决多重共线问题吗

  bound <- floor(nrow(prep1)/2)         
  df <- prep1[sample(nrow(prep1)), ]            
  train <- df[1:bound, ]             
  test <- df[(bound+1):nrow(df), ]    
  modelFit <- randomForest(continuous_target ~., data = train)
  prediction <- predict(modelFit, test)  

---

boundRandom-Forest具有选择替换样本以及随机选择这些样本上的特征子集的性质。根据您的场景，假设响应变量中没有偏斜，构建大量树应该会使您对所有变量都具有重要性。虽然这会增加计算复杂度，因为对于每个包，您要多次捕获相同的重要性。同时，多重共线性不会影响预测能力
 射频的主要优点之一是它们（大部分）不受多重共线性的影响。最初的论文对此进行了详细讨论，但本UCLA/UCM课堂讲稿应该更简洁地解释，请参见第4节和第4.1节@Hack-R谢谢你的链接，这对我来说是个好消息。我在某个地方读到，当RF中有相关变量时，它会增加计算时间。这是正确的吗？