在建立完随机森林回归模型后，怎么看每个特征对模型的重要性，给出代码

在随机森林回归模型中，特征的重要性通常通过计算每个特征在创建决策树过程中减少混乱度（如Gini impurity或信息增益）的能力来衡量。这种重要性可以由模型本身提供，比如在Python的`sklearn`库中，`RandomForestRegressor`有一个内置的`feature_importances_`属性。

以下是一个简单的例子，展示如何从`scikit-learn`的`RandomForestRegressor`模型中获取特征重要性：

from sklearn.ensemble import RandomForestRegressor
import pandas as pd

# 假设已经加载了数据集X (特征) 和 y (目标值)
model = RandomForestRegressor()
model.fit(X, y)

# 获取特征重要性
feature_importances = model.feature_importances_

# 将结果转换成 DataFrame，方便查看
importance_df = pd.DataFrame({'Feature': X.columns, 'Importance': feature_importances})
importance_df.sort_values('Importance', ascending=False, inplace=True)

print(importance_df)

在这个例子中，`importance_df`将显示每个特征及其对应的随机森林中的重要性得分，从最高到最低排序。你可以看到哪些特征对于预测最为关键。