使用递归特征消除法（RFE）+线性回归的包裹式选择方法，对boston数据集进行特征选择。要求按剔除的先后顺序输出特征名称

递归特征消除（Recursive Feature Elimination, RFE）是一种基于模型性能的特征选择方法，它通过反复构建模型并删除最不重要的特征，直到达到预设的特征数或达到最佳模型性能。当结合线性回归进行特征选择时，RFE会按照特征的重要性排序，重要性较低的特征会被优先剔除。

对于Boston房价数据集，这个过程可以分为以下几个步骤：

1. 导入所需的库，如`sklearn.datasets`, `sklearn.linear_model`, 和 `sklearn.feature_selection`。

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFECV

2. 加载数据集，并将其划分为训练集和测试集。

boston = datasets.load_boston()
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

3. 创建RFE实例，设置线性回归作为内部模型。

rfe = RFECV(LinearRegression(), step=1, cv=5)  # 交叉验证次数为5

4. 训练模型并获取特征重要性排序。

rfe.fit(X_train, y_train)

5. 获取剔除特征的顺序和名称。

features = boston.feature_names[rfe.support_ == False]  # 支持_为False表示被剔除的特征
features.sort()  # 按剔除顺序排序
print("按照剔除顺序的特征名称：", features)

在这个过程中，`features`列表将包含按重要性从低到高排序的特征名称，最先被剔除的特征位于列表开头。请注意，RFE的结果可能因随机种子而略有不同。