在第二版 SEMrush 排名因素研究 2017中，我们添加了 5 个与反向链接相关的因素，并比较了它们对特定 URL 和整个域的影响强度。按照我们的传统，我们将为您提供更深入的方法论见解。
我们使用的方法在 SEO 研究领域是独一无二的：我们用决策树森林的机器学习算法——随机森林来代替相关性分析。由于我们研究的最终目标是帮助 SEO 专家确定任务的优先顺序并更有效地完成工作，因此我们希望揭示我们研究的细节并揭穿一些常见的误解，以便您可以放心地依赖我们的研究结果。
由于这篇文章是为真正的书呆子写的，因此这里有一个简短的词汇表：
决策树——树状结构代表通常应用于分类任务的机器学习算法。它根据最重要的属性将训练数据样本划分为同质组/子集。
监督学习——一种机器学习算法，它训练模型来寻找输入变量（特征，A）和输出变量（目标值，B）之间关系的规律：B = f(A)。目标是在数据样本上训练该模型，以便当呈现样本外数据时，算法可以根据给定的特征集准确预立陶宛电邮清单测目标值。收集学习数据就像老师照顾学习过程一样。当算法达到可接受的性能质量时，学习就被认为是成功的并结束。
特征 （或属性、输入变量） ——用于分析的独立数据条目的特性。对于我们的研究和这篇博文，特征是假定的排名因素。
二元分类——一种属于监督机器学习的分类任务。该任务的目标是预测每个数据条目的目标值（=类别），对于二元分类，这只能是 0 或 1。