输入的数据集是csv文件，五分类：EAS,SAS,EUR,SAS,AMR;;有1800个变量

非常感谢您提供的信息。为了实现您的需求，我们将按照以下步骤进行操作：

1. 导入必要的库和数据集。
2. 数据预处理：将目标变量编码为数字标签。
3. 特征选择：使用随机森林算法和One VS Rest分类策略进行特征选择。
4. 模型参数调整：调整随机森林的超参数，以获得更好的性能。
5. 进一步特征遴选：根据特征重要性进行进一步的特征选择。
6. 学习曲线绘制：使用十折交叉验证计算分类正确率，并绘制学习曲线。

以下是示例代码，您可以根据您的实际情况进行修改和调整：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import LabelEncoder
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve, StratifiedKFold

# 1. 导入数据集
data = pd.read_csv("your_dataset.csv")

# 2. 数据预处理
label_encoder = LabelEncoder()
data["target"] = label_encoder.fit_transform(data["target"])

# 3. 特征选择
X = data.drop("target", axis=1)
y = data["target"]

model = RandomForestClassifier(random_state=42)
model.fit(X, y)

# 获取特征重要性
feature_importances = model.feature_importances_

# 根据特征重要性选择前k个特征
k = 100
top_k_features = X.columns[feature_importances.argsort()[-k:][::-1]]

# 4. 模型参数调整和进一步特征遴选
# 根据你的实际需求，可以使用GridSearchCV等方法进行模型参数调整和进一步特征遴选

# 5. 学习曲线绘制
cv = StratifiedKFold(n_splits=10)

train_sizes, train_scores, test_scores = learning_curve(
    model, X[top_k_features], y, cv=cv, scoring="accuracy", train_sizes=np.linspace(0.1, 1.0, 10)
)

# 计算平均准确率和标准差
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)

# 绘制学习曲线
plt.figure()
plt.title("Learning Curve")
plt.xlabel("Training examples")
plt.ylabel("Score")
plt.grid()

plt.fill_between(
    train_sizes,
    train_scores_mean - train_scores_std,
    train_scores_mean + train_scores_std,
    alpha=0.1,
    color="r",
)
plt.fill_between(
    train_sizes,
    test_scores_mean - test_scores_std,
    test_scores_mean + test_scores_std,
    alpha=0.1,
    color="g",
)
plt.plot(train_sizes, train_scores_mean, "o-", color="r", label="Training score")
plt.plot(train_sizes, test_scores_mean, "o-", color="g", label="Cross-validation score")

plt.legend(loc="best")
plt.show()

请记住，以上只是示例代码。您可能需要根据您的实际数据集和需求进行适当的修改。此外，特征选择和模型参数调整的结果可能因数据集和具体问题而异，您可能需要根据实际情况进行调整和优化。

希望这可以帮助到您！如果您有任何进一步的问题，请随时提问。