请注意，随机森林（以及一般的决策树）并不假设给定的特征是独立的。相反，在随机森林中从根到叶的一个特定树/分类器的典型分类路径将是例如基于尝试特征的值对成功特征应用不同的规则。因此，正如一条评论所暗示的，该算法将能够识别某些依赖项。

但是，您需要记住，决策树（以及某种意义上的随机森林）仅定义类之间的线性分离。因此，为了增强域空间，您可能希望尝试向算法“提示”一些额外的元特征，以及特征之间可能的语义。例如，您是否考虑过引入成功率（成功率除以尝试次数）作为附加功能？

请注意，不能保证附加功能会有所帮助，即使最简单的了解方法是尝试它们。这样做的原因是算法可能已经能够学习你给它的额外语义。话虽如此，对我来说，随机森林能否“学习”成功率等特征并不明显。

同意@mapto。一个好的决定是进行一些预处理并将两个特征合并为一个新特征。成功部分可能是一个很好的部分，但你也可以自己思考。