该研究通过制造业实例论证了一种利用可解释性技术提升机器学习模型性能的方法，包括初始训练和消除不相关特征，以提高性能和降低成本。研究突出了可解释性技术在制造领域中的实用性。

本文介绍了一种用于分布随机森林的变量重要性算法，能够高效地选择变量并提供准确估计。该算法在真实数据和模拟数据上表现出高的经验性能。