请用Python代码实现在k折交叉验证的每一折中对特征的训练集进行特征选择，从而提高评价指标

以下是一个基本的示例代码，用于在k折交叉验证中对特征进行训练集选择。请注意，这只是一个示例，具体的实现方式可能因数据集、模型等不同而有所不同。

from sklearn.model_selection import KFold
from sklearn.feature_selection import SelectKBest, f_regression  # 选择K个最佳特征
from sklearn.metrics import mean_squared_error

# 假设X为特征集，y为目标变量
kf = KFold(n_splits=10, shuffle=True)  # 分为10折，打乱数据
mse_list = []

for train_index, test_index in kf.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

    # 特征选择
    selector = SelectKBest(f_regression, k=5)  # 选择5个最佳特征
    X_train = selector.fit_transform(X_train, y_train)
    X_test = selector.transform(X_test)

    # 模型训练
    model.fit(X_train, y_train)

    # 对测试集进行预测，并计算评价指标
    y_pred = model.predict(X_test)
    mse = mean_squared_error(y_test, y_pred)
    mse_list.append(mse)

# 输出平均评价指标
print("Average MSE: ", sum(mse_list) / len(mse_list))

在上述代码中，我们使用了`SelectKBest`函数来选择训练集中的最佳特征。该函数基于给定的评价函数（在本例中使用的是`f_regression`）对每个特征进行评估，并选择前K个最佳特征。在训练集上进行特征选择可以提高模型的泛化能力，从而在测试集上取得更好的表现。