第一个可以“解释”如下：如果一个预测变量在您当前的模型中很重要，那么随机但“现实地”为该预测变量分配其他值（即：在您的数据集上排列该预测变量的值）应该有负面影响关于预测，即：使用相同的模型从除了一个变量之外的相同数据进行预测，应该给出更差的预测。

因此，您对原始数据集和“置换”数据集进行预测测量 (MSE)，然后以某种方式比较它们。一种方法，特别是因为我们期望原始 MSE 总是更小，所以可以采用差异。最后，为了使这些值在变量上具有可比性，这些值被缩放。

对于第二个：在每次拆分时，您可以计算此拆分减少了多少节点杂质（对于回归树，实际上是拆分前后 RSS 之间的差异）。这是对该变量的所有拆分、所有树的总和。

注意：一本好书是Hastie、Tibshirani 和 Friedman的Elements of Statistical Learning ...

在 R 中的 randomForest 包中实现的随机森林重要性度量有一个怪癖，即相关预测变量的重要性值较低。

http://bioinformatics.oxfordjournals.org/content/early/2010/04/12/bioinformatics.btq134.full.pdf

我在 CRAN 上有一个修改后的随机森林实现，它实现了他们估计经验 p 值和错误发现率的方法，在这里

http://cran.r-project.org/web/packages/pRF/index.html