我想了解递归特征消除（RFE）与交叉验证（CV）相结合的算法。Guyon 等人的原始资料。关于 RFE 可以在这里找到。
我对 RFE 的理解：我们首先训练我们的分类器——比如一个线性支持向量机——所有的特征。这给了我们每个特征的权重。这些权重的绝对值反映了每个特征的重要性。我们删除最不重要的特征，再次进行训练，获得新的排名并继续，直到我们对所有特征进行排名
我的问题：我正在运行 RFE 交叉验证（在具有此实现的 python 中）。在下面的示例中，有几个特征排名第一。这是怎么回事？对于最终排名，我假设 RFE 消除必须重复进行，那么这是否意味着 RFE 的多次应用，每次另一个功能都排名第一？这如何与交叉验证相结合，当每个子集可能包含不同的特征时，如何计算（见下图）来自 1,2,3,..features 的分类精度？
