一般情况下，数据集的特征成百上千，因此有必要从中选取对结果影响较大的特征来进行进一步建模，相关的方法有：主成分分析、lasso等，这里我们介绍的是通过随机森林来进行筛选。
用随机森林进行特征重要性评估的思想比较简单，主要是看每个特征在随机森林中的每棵树上做了多大的贡献，然后取平均值，最后比较不同特征之间的贡献大小。
贡献度的衡量指标包括：基尼指数(gini)、袋外数据(OOB)错误率作为评价指标来衡量。
衍生知识点：权重随机森林的应用(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树在使用时一般通过gini值作为切分节点的标准，而在加权随机森林(WRF)中，权重的本质是赋给小类较大的权重，给大类较小的权重。也就是给小类更大的惩罚。权重的作用有2个，第1点是用于切分点选择中加权计算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征的重要性：
举个样例：
sklearn.metrics中的评估方法介绍：
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_：给出不同参数情况下的评价结果
best_params_：描述了已取得最佳结果的参数的组合
best_score_：成员提供优化过程期间观察到的最好的评分
http://www.cnblogs.com/xiaochouk/p/8583255.html