遞歸特徵消除（Recursive Feature Elimination, RFE）是一種特徵選擇方法，其核心思想是遞歸地選擇或排除特徵。具體步驟如下：
初始化：從完整的特徵集開始。
訓練模型：在當前的特徵集上訓練一個估計器（例如，線性回歸模型或隨機森林模型）。
評估特徵重要性：根據估計器的輸出（如coef_屬性或feature_importances_屬性），評估每個特徵的重要性。
特徵排除：從當前的特徵集中排除重要性最低的特徵。
遞歸：對剩餘的特徵重複上述步驟，直到所有特徵都被評估或排除。
RFE可以通過不同的方式實現，具體取決於使用的估計器和評估特徵重要性的方法。例如，對於線性回歸模型，可以通過觀察p值來評估特徵的重要性；而對於隨機森林模型，可以通過計算每個特徵在各子集中出現的頻率來判斷其重要性。
RFE的優點在於它是一個封裝器方法，可以直接利用現有的機器學習算法進行特徵選擇，同時考慮到特徵之間的相互作用。然而，它的缺點包括計算成本較高，因為需要多次訓練模型，並且對於非線性關係可能不夠敏感。
總結來說，RFE是一種有效的特徵選擇技術，適用於多種機器學習模型，能夠幫助用戶理解特徵的重要性並選擇最相關的特徵子集。