先介紹壹下oob的用法，其中(x，y)代表輸入樣本和標簽，g代表構造的樹。
上圖中，g2，g3，gt不用(xN，yN)，所以g2，g3，gt可以用(xN，yN)作為驗證數據，然後用oob數據作為輸入，再輸入到模型中，然後投票，少數服從多數。類似地，對於(x1，y1)，(x2，y2)等也存在相同的計算。，最終計算出判斷錯誤的樣本比例為oob-error。
所以oob可以用來衡量模型的好壞。
同時，隨機森林產出特征的重要性原理也可以推導出來。如果特征I對模型有利，那麽用隨機值代替I維特征會降低模型的性能，即會使oob-error更大。