TL，DR：是的，这对于对一组特征的重要性求和是完全正确的。

在 scikit-learn 中，节点在单个决策树中的重要性计算为（源代码）： 其中是节点中的加权样本数，作为总加权样本数的一部分，是节点中的杂质，和是其各自的子节点节点。$j$

$$ni_j = w_j C_j - w_{left(j)}C_{left(j)}- w_{right(j)}C_{right(j)}$$ $w_j$$j$$C_j$$j$$left(j)$$right(j)$

然后特征的特征重要性计算为： In RandomForest 或 GradientBoosting，然后在所有树上平均特征重要性（源代码）。$i$

$$fi_i = \frac{\sum_{j : \text{node j splits on feature i}} ni_j}{\sum_{j \in \text{all nodes}} ni_j}$$

简而言之，一个特征的（未归一化的）特征重要性是相应节点的重要性之和。因此，如果您采用一组特征，则将这组特征的重要性表示为所有相应节点的重要性之和是完全一致的。后者正好等于单个特征重要性的总和。并且归一化分母对于所有特征都是相同的，因此不会改变相对重要性。

一个简单的例子：

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
iris = load_iris()
rf = RandomForestClassifier(random_state=42).fit(iris.data, iris.target)
print(rf.feature_importances_)
sepal_features = [0, 1]
petal_features = [2, 3]
print(sum(rf.feature_importances_[sepal_features]))
print(sum(rf.feature_importances_[petal_features]))

它将给出以下输出：

[ 0.1292683   0.01582194  0.4447404   0.41016935]
0.145090242144
0.854909757856

由此，您可以判断花瓣特征对随机森林的预测贫困率有 85% 的贡献，而萼片特征仅占 15%。如果您的特征没有太大的相关性，那么这些数字是有意义的。