用随机森林进行特色主要性评估的思想比较大略，紧张是看每个特色在随机森林中的每棵树上做了多大的贡献，然后取均匀值，末了比较不同特色之间的贡献大小。
贡献度的衡量指标包括：基尼指数（gini）、袋外数据（OOB）缺点率作为评价指标来衡量。
衍生知识点：权重随机森林的运用（用于增加小样本的识别概率，从而提高总体的分类准确率）
随机森林/CART树在利用时一样平常通过gini值作为切分节点的标准，而在加权随机森林（WRF）中，权重的实质是赋给小类较大的权重，给大类较小的权重。也便是给小类更大的惩罚。权重的浸染有2个，第1点是用于切分点选择中加权打算gini值，表达式如下：
随机森林针对小样本数据类权重设置
https://wenku.baidu.com/view/07ba98cca0c7aa00b52acfc789eb172ded639998.html
通过sklearn中的随机森林返回特色的主要性：
举个样例：
sklearn.metrics中的评估方法先容：
参考：http://blog.csdn.net/cherdw/article/details/54971771
网格搜索调参：
grid.fit()：运行网格搜索
grid_scores_：给出不同参数情形下的评价结果
best_params_：描述了已取得最佳结果的参数的组合
best_score_：成员供应优化过程期间不雅观察到的最好的评分
http://www.cnblogs.com/xiaochouk/p/8583255.html