背景：我刚开始使用机器学习，我正在考虑将它用于我正在写论文的旧数据。该论文涉及辐射引起的肺损伤，数据包括呼吸频率测量，以及每只动物不同类型的组织学评分。
我想在论文中回答的问题之一是组织学是否是肺损伤的预测因子，如果是，组织学的哪个特征是最重要的预测因子。结果“肺损伤”是基于呼吸频率的布尔值。
我的想法是让随机森林使用评分数据预测结果，并在论文中报告重要变量，并声明“组织学特征 X、Y 和 Z 的评分是肺损伤的最佳预测指标”。IMO 使用机器学习来做到这一点会给我一个重要变量的定性测量，但会让我不必自己开发一个复杂的模型来预测结果，因为这不是本文的重点。
我的问题是：
非常感谢您的见解！
在这种情况下，您似乎无法证明“X、Y 和 Z 是最佳预测因子”这句话是正确的。至少因为所有的预测器都是最适合目的的，即它们是否如此具体以至于它们可以用作诊断的最终真相，或者它们是如此敏感以至于给定一些预测器值，不会遗漏任何病例，或者那些表现优于其他人平均？
您可以说的正是您获得的结果：X、Y 和 Z 在 RandomForest 算法的可变重要性尺度上得分最高。
看起来您研究了各种预测变量与结果的关联，这是许多研究人员都在做的一种研究，所以我鼓励您使用医学和生物学研究中报告关联的事实标准，即优势比的组合 (效应大小）和精确费舍尔检验的 p 值。这些措施经常被报道（如果不是总是），并允许其他研究人员比较论文之间的结果。
当然，如果将重要性指标添加到最常用的两个指标中，它不会伤害任何人。
同意coulminer上面回答的一切。会添加一些我不确定是否有用的点：
- 可能很难证明使用RF更传统的方法是合理的。您可能需要强调大量变量 + 未知数量的交互作用 + 非线性效应的组合才能令人信服。
- 重要性度量试图衡量RF模型内的重要性。而已。除非您RF出于其他原因构建模型，否则它们可能不会添加任何内容。gbm将产生不同重要性的不同度量 - 再次特定于该模型。
-Boruta和类似的包试图找到一个所有相关的功能子集。我会为此目的使用它们，而不是太重视它们产生的可变重要性。
- 有不止一种RF可变的重要性度量。randomForest包里有两个。一个在party包里。randomForestSRC包装中单独的一个。你甚至可以使用这个rminer包。如果您更改采样（内部欠采样），变量重要性可能会发生变化-> 不要认为有一个完美的变量重要性度量，或者您应该过于相信。