您可能想要研究的一件事是正则化随机森林，它专为特征选择而设计。本文解释了这个概念，以及它们与普通随机森林的区别

通过正则化树进行特征选择

还有一个基于 randomForest 的 CRAN 包RRF，它可以让您在 R 中轻松实现它们。我自己对这种方法很幸运。

关于你最初的问题，我能给出的唯一建议是，如果你有很多共线性，那么你需要使用更小的树大小。这允许算法确定重要性，而共线性效应的干扰较少。

您也许可以使用这样的caretFuncs 东西：

myRFE <- caretFuncs
myRFE$summary <- twoClassSummary  (default is defaultSummary)

rctrl <- rfeControl(method='repeatedcv', repeats=5, number=10,
                   functions=myRFE)

tctrl <- trainControl(method = "cv",
                      classProbs = TRUE,
                      summaryFunction = twoClassSummary)

rfeObj = rfe(x,y,sizes=seq(1,ncol(x),2),
             rfeControl=rctrl,  
             # to be passed to train()
             method='rf',
             importance=T,  # do not forget this
             ntree=1000,
             metric = "ROC",
             tuneLength = 10,
             # mtry=c(1,3,5,50),
             # specify the exact mtry, or tuneLength
             # can auto truncate the grid to minimal sizes (with or without warning)
             # p <- ncol(x) ... if (mtry < 1 || mtry > p) warning("invalid try: reset to within valid range") try <- max(1, min(p, round(try))) 
             trControl=tctrl)

此外，还可以检查valSelRF包裹。不知道它与regularized random forest这里提到的有什么不同。