Sklearn RandomForest算法（有監督學習），可以根據輸入數據，選擇最佳特征組合，減少特征冗余；
原理：由於隨機決策樹生成過程采用的Boostrap，所以在一棵樹的生成過程並不會使用所有的樣本，未使用的樣本就叫（Out_of_bag）袋外樣本，通過袋外樣本，可以評估這個樹的准確度，其他子樹葉按這個原理評估，最后可以取平均值，即是隨機森林算法的性能；
特征選擇原理：因為袋外樣本的存在，因此不需要進行十字交叉測試（節省時間），通過依次對每個特征賦予一個隨機數，觀察算法性能的變化，倘若變化大，則說明該特征重要，sklearn中會對每個特征賦予一個分數，分數越大，特征越重要，因此，可以根據特征重要性排序，然后選擇最佳特征組合；
RandomForestClassifier(n_estimators=200,oob_score=True)
oob_score : bool (default=False) Whether to use out-of-bag samples to estimate the generalization accuracy.
oob_score: bool(默認=False) 是否使用袋外樣品進行估算 泛化精度。