对df表的各特征使用递归式特征消除法（基模型为支持向量机）进行特征选择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进行特征选择并使用支持向量机作为基模型的Python代码，评分函数为均方误差（MSE）：

from sklearn.feature_selection import RFE
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error

# 假设X为特征数据，y为目标变量数据
# 定义支持向量机模型作为基模型
estimator = SVR(kernel="linear")
# 定义递归式特征消除法，选择保留5个特征
selector = RFE(estimator, n_features_to_select=5, step=1)
# 应用特征选择器到数据集
selector.fit(X, y)
# 输出选择的特征
print(selector.support_)
# 输出选择的特征的排名
print(selector.ranking_)
# 使用选择的特征来训练模型
selected_X = selector.transform(X)
model = SVR(kernel="linear")
model.fit(selected_X, y)
# 使用选择的特征来预测目标变量
y_pred = model.predict(selected_X)
# 计算均方误差
mse = mean_squared_error(y, y_pred)
print("MSE:", mse)

以上代码中，使用`RFE`类实现递归式特征消除法，`n_features_to_select`参数指定需要选择的特征数量，`step`参数指定每次迭代时要移除的特征数量。`SVR`类是支持向量机回归模型，使用线性核函数，用于作为基模型。选择特征后，使用选择的特征来训练模型，并使用预测结果计算均方误差。