用Python训练随机森林回归模型，基于袋外误差率计算自变量的特征重要度，并将结果可视化

以下是使用Python训练随机森林回归模型，基于袋外误差率计算自变量的特征重要度，并将结果可视化的示例代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_csv('data.csv')

# 将自变量和因变量分开
X = data.drop(['y'], axis=1).values
y = data['y'].values

# 训练随机森林回归模型
rf = RandomForestRegressor(n_estimators=100, oob_score=True, random_state=42)
rf.fit(X, y)

# 计算袋外误差率
oob_error = 1 - rf.oob_score_
print('袋外误差率：', oob_error)

# 计算特征重要度
importances = rf.feature_importances_

# 将特征重要度按降序排序
indices = np.argsort(importances)[::-1]

# 输出每个特征的重要度和排名
for f in range(X.shape[1]):
    print('%d. 特征 %d (%f)' % (f + 1, indices[f], importances[indices[f]]))

# 可视化特征重要度
plt.figure()
plt.title('特征重要度')
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), indices)
plt.xlim([-1, X.shape[1]])
plt.show()

其中，`data.csv`是包含自变量和因变量的数据文件。在训练随机森林回归模型时，我们设置了100棵树，并启用了袋外误差率计算。在计算特征重要度时，我们使用了随机森林模型的`feature_importances_`属性，它返回一个数组，其中每个元素表示对应特征的重要度。最后，我们按降序排序并可视化特征重要度。