同样没用的两个特征，一个是年龄，一个是血型，树模型却可能觉得年龄更重要。原因很机械：连续变量可尝试的切分点更多，更容易偶然切出一条“漂亮”分界线。Li 与 Melikechi 研究的正是这种偏心。论文证明，在所有特征都与结果无关的设定下，随着样本增多，CART——一种反复切分数据的决策树算法——会以趋近于 1 的概率优先选择连续变量；在限定深度等条件下，分类变量得到的 MDI 重要性甚至趋近于零。MDI 指特征通过切分让数据变得更整齐的程度，但它只是模型内部指标，不代表因果关系。
作者给出的修正很简单：把分类值编码成整数，再加入少量均匀随机噪声，让每条记录略有差异。噪声幅度小于 0.5 时，原有类别不会互相重叠，却能让分类变量获得与连续变量相近的候选切分数量。按作者实验，这种“抖动”无需改写树算法，计算开销低，对噪声大小也不敏感；每棵树重新加噪的排名略好于只加一次，但差距不大。论文还将它接入稳定选择——反复扰动并保留经常入选的变量——以控制误选。具体效果仍主要来自作者的模拟与真实数据实验。