scikit-learn的随机森林模型特征值重要性是基于oob数据计算的还是基于训练数据计算的？

这是我的代码：
# 加载数据集
file_path = '6月对比.xlsx'
df = pd.read_excel(file_path, engine='openpyxl')
print(df)

# 划分数据集
X = df.iloc[:, :-1]
y = df.iloc[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=130)

# 创建随机森林回归器模型，设置自定义参数
model = RandomForestRegressor(
n_estimators=85,
max_depth=13,
max_features=2,
n_jobs=-1,
oob_score=True,
random_state=130)
print(model.criterion)

# 训练模型
model.fit(X_train, y_train)
# 绘制特征重要性
feature_importances = model.feature_importances_
# 将特征重要性与原始特征名称对应起来
feature_names = X.columns # 假设X的列名存储在feature_names中
importances = sorted(zip(feature_importances, feature_names), reverse=True)

我现在可以确定因为我这个是回归树，所以分裂指标是square error，所以我特征值重要性计算就是基于square error的减小来计算的，但是我现在有点搞不懂这个重要性计算是基于训练数据还是基于oob计算的了，希望有大神可以解答