此算法是用来进行特征选择，属于包装法特征选择算法的其中一种。递归消除特征法使用一个机器学习模型来进行多轮训练，每轮训练结束后，消除若干权值系数对应的特征，再基于新的特征集进行下一轮训练。
那么在以经典的SVM-RFE算法中来讨论此算法。首先，在每一轮训练过程中，会选择所有特征来进行训练，继而得到了分类的超平面w*x+b=0，如果有n个特征，那么SVM-RFE会选择出w中分量的平方值最小的那个序号i对应的特征，将其删除；在第二类的时候，特征数就剩下了n-1个，继续用这n-1个特征和输出值来训练SVM；同样的，继续去掉w中分量的平方值最小所对应的特征。以此类推，直到剩下的特征数满足我们的要求为止。
具体到SVM在sklearn中应用时，可以通过学习器返回的coef_属性或feature_importance_属性来获得每个特征的重要程度，然后从当前的特征集合中移除不重要的特征。在特征集合上不断重复上述过程，直到最终达到所需要的特征数量为止。
