随机森林回归器和递归特征消除算法如何用python代码来选择变量，得出筛选出的变量

在Python中，可以使用sklearn库中的RandomForestRegressor类来构建随机森林回归器，并使用sklearn库中的RFECV类来实现递归特征消除算法。下面是一个简单的示例代码：

from sklearn.ensemble import RandomForestRegressor
from sklearn.feature_selection import RFECV
from sklearn.datasets import make_regression

# 生成随机数据
X, y = make_regression(n_samples=1000, n_features=10, random_state=0)

# 构建随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=0)

# 使用递归特征消除算法选择变量
selector = RFECV(estimator=rf, step=1, cv=5)
selector.fit(X, y)

# 输出筛选出的变量
print('Selected features:', X.columns[selector.support_])

在上面的代码中，我们首先使用make_regression函数生成了一个包含10个特征的随机数据集。然后，我们通过调用RandomForestRegressor类构建了一个随机森林回归器，并使用RFECV类实现了递归特征消除算法。最后，我们输出了筛选出的变量。

需要注意的是，使用RFECV类选择变量时，需要在构造函数中指定estimator参数为要使用的模型，step参数为每次递归的步长，cv参数为交叉验证的折数。在选择完成后，可以通过selector.support_属性获取筛选出的变量。