使用递归式特征消除法且目标变量为连续变量时，评分函数为均方误差（MSE）的python代码

以下是使用递归式特征消除法，目标变量为连续变量，评分函数为均方误差（MSE）的Python代码示例：

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 构建线性回归模型
model = LinearRegression()

# 递归式特征消除法
rfe = RFE(model, n_features_to_select=5)

# 拟合模型
fit = rfe.fit(X, y)

# 选出的特征
selected_features = fit.support_

# 选出的特征的排名
feature_ranking = fit.ranking_

# 仅保留选出的特征
X_selected = X[:, selected_features]

# 训练模型
model.fit(X_selected, y)

# 预测
y_pred = model.predict(X_selected)

# 计算均方误差
mse = mean_squared_error(y, y_pred)

print("选出的特征：", selected_features)
print("特征排名：", feature_ranking)
print("均方误差：", mse)

在上述代码中，我们首先加载了波士顿房价数据集，然后构建了一个线性回归模型。接着，我们使用递归式特征消除法来选出最优的5个特征，并仅保留这些特征进行训练。最后，我们使用均方误差来评估模型的性能。