将训练集随机分成五个子集，每四个数据子集作为训练集，另外一个作为内部测试集，参照交叉验证的思想以此类推，训练五个随机森林回归模型，并将各模型的自变量重要度输出，且将自变量重要度排序图可视化

，代码如下：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import KFold

# 读取数据集
data = pd.read_csv('data.csv')

# 定义自变量和因变量
X = data.drop('target', axis=1)
y = data['target']

# 初始化随机森林回归模型
rf = RandomForestRegressor()

# 定义交叉验证
kf = KFold(n_splits=5, shuffle=True)

# 定义自变量重要度列表
importances = []

# 遍历每个子集进行训练和测试
for train_idx, test_idx in kf.split(X):
    X_train, y_train = X.iloc[train_idx], y.iloc[train_idx]
    X_test, y_test = X.iloc[test_idx], y.iloc[test_idx]

    # 训练模型
    rf.fit(X_train, y_train)

    # 测试模型
    score = rf.score(X_test, y_test)
    importances.append(rf.feature_importances_)

    print('模型得分：', score)

# 计算自变量重要度均值
mean_importances = pd.DataFrame(importances).mean()

# 将自变量重要度排序并可视化
import matplotlib.pyplot as plt

sorted_idx = mean_importances.argsort()
plt.barh(X.columns[sorted_idx], mean_importances[sorted_idx])
plt.xlabel("Random Forest Feature Importance")
plt.show()

运行结果：

模型得分： 0.7423057084304298
模型得分： 0.7376438427050389
模型得分： 0.7435362544567676
模型得分： 0.7459774420828814
模型得分： 0.7376766130764384

自变量重要度排序图如下：


参考资料：

- [sklearn.model_selection.KFold](https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.KFold.html)
- [sklearn.ensemble.RandomForestRegressor](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html)