使用RFECV、递归特征消除 (Recursive Feature Elimination)进行特征筛选详解及实战
包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。
所有就有两个可能的方向、自顶向下、或者自底向上。
自顶向下：一开始包含所有特征，逐步抛弃看效果怎么样；
自底向上：一开始没有任何特征、逐步添加、观察看到那不一步新加入特征没有进展了
在sklearn实现了的包裹式(wrapper)特征选择方法，其中有recursive feature elimination ( RFE )以及它的Cross Validation版本RFECV：
recursive feature elimination ( RFE )通过学习器返回的 coef_ 属性 或者 feature_importances_ 属性来获得每个特征的重要程度。 然后，从当前的特征集合中移除最不重要的特征。在特征集合上不断的重复递归这个步骤，直到最终达到所需要的特征数量为止。RFECV通过交叉验证来找到最优的特征数量。如果减少特征会造成性能损失，那么将不会去除任何特征。这个方法用以选取单模型特征相当不错，但是有两个缺陷，一，计算量大。二，随着学习器（评估器）的改变，最佳特征组合也会改变，有些时候会造成不利影响。
递归特征消除 (Recursive Fe
