RFECV算法的伪代码示例：

以下是RFECV算法的伪代码示例：

输入: 
    X - 特征矩阵
    y - 目标变量
    estimator - 学习算法模型
    cv - 交叉验证折数

输出:
    selected_features - 最佳特征子集

函数 RFECV(X, y, estimator, cv):
    初始化所有特征为重要特征: 
        all_features = [1, 2, ..., n_features]
        selected_features = all_features

    最佳性能评分初始化为负无穷大:
        best_score = -inf

    迭代直到终止条件满足:
        对于每一个特征数量 num_features in [n_features, 1]:
            交叉验证评估模型性能:
                scores = 交叉验证(estimator, X[:, selected_features], y, cv)

            计算平均性能评分:
                avg_score = 平均(scores)

            如果平均性能评分大于最佳性能评分:
                更新最佳性能评分和最佳特征子集:
                    best_score = avg_score
                    selected_features = X[:, selected_features]

            移除最不重要的特征:
                least_important_feature = 特征排序(scores)[-1]
                selected_features.remove(least_important_feature)

    返回最佳特征子集:
        返回 selected_features

以上伪代码示例展示了RFECV算法的基本流程。其中，需要根据具体的编程语言和机器学习库进行相应的实现。算法的关键在于递归地进行特征消除并不断评估模型的性能，直到达到终止条件为止。