RFECV不支持增量训练，仅能一次性完成特征筛选并生成静态特征掩码；后续新数据须用transform处理，不可重复fit或拼接数据。
RFECV 本身不支持增量训练，别被名字里的“CV”误导
RFECV 的 fit 方法必须看到全部训练数据才能完成递归剔除和交叉验证选最优特征数，它没有 partial_fit 接口，也不维护中间状态。所谓“增量特征选择”，实际是指：在新数据不断流入时，**不重新跑整套 RFECV，而是复用已确定的特征子集做预测或微调评估**。
常见错误现象：AttributeError: 'RFECV' object has no attribute 'partial_fit'；或者强行把新 batch 数据拼到旧数据上反复调用 fit，导致计算爆炸、特征顺序漂移、CV 划分失真。
- 真正能增量的只有模型（如
SGDClassifier），不是 RFECV - RFECV 是一次性探索过程，结果是静态的
support_和n_features_ - 如果你的数据量大到无法一次加载，得先采样或用近似方法（如基于单棵树的特征重要性预筛）
用 RFECV 定好特征后，用 transform 处理新数据最安全
一旦 RFECV.fit(X_train, y_train) 完成，它就锁定了哪些列该保留。后续所有新样本（包括流式进来的测试批次）都应只用 rfecv.transform(X_new)，而不是再 fit。
使用场景：线上服务接收单条请求、批处理新日志、A/B 测试分流数据等。
-
X_new的列名/顺序必须和当初fit时完全一致，否则transform会错位 - 如果原始特征含缺失值，务必在
RFECV前统一用SimpleImputer处理，否则transform可能报ValueError: Input contains NaN - 不要对新数据单独做标准化再进
transform——标准化必须在 RFECV **之前**，且用训练集统计量（scaler.fit(X_train)）
想模拟“动态更新特征集”？试试用 RandomForestClassifier.feature_importances_ + 阈值截断
当数据持续到达、你又确实需要定期重评特征重要性时，可以绕过 RFECV，改用训练好的随机森林模型每 N 条样本调用一次 feature_importances_，按阈值或 Top-K 重建特征掩码。
参数差异：RFECV 看的是模型性能变化（CV 分数），而 feature_importances_ 看的是树内分裂增益平均值，两者逻辑不同，结果可能不一致。
- 用
WarmStartMixin的RandomForestClassifier(warm_start=True)支持增量拟合：调fit(X_batch, y_batch)多次，内部树结构会追加而非重训 - 每次更新后取
rf.feature_importances_，配合np.argsort()[::-1][:k]拿最新 Top-K 特征索引 - 注意：
warm_start不保证特征重要性稳定，小批量更新易受噪声干扰，建议累积一定量（如 ≥5000 样本）再评估
Pipeline 里嵌 RFECV 要小心 fit_transform 和 transform 的阶段错位
很多人把 RFECV 塞进 Pipeline 后，在 predict 阶段误调 pipeline.fit_transform(X_test)，导致测试数据参与了特征筛选——这属于数据泄露，模型评估失效。
性能影响：RFECV 内部要反复训练 estimator 做 CV，放在 Pipeline 里会让每次 fit 变慢数倍；但 transform 阶段极快，只是布尔索引切片。
- 正确流程：先
pipeline.fit(X_train, y_train)（此时 RFECV 完成筛选），再对新数据只调pipeline.transform(X_new)或直接pipeline.predict(X_new) - 检查是否泄露：打印
pipeline.named_steps['rfecv'].support_，确认它没随X_test改变 - 如果用
GridSearchCV套 RFECV，嵌套 CV 层级容易让内存爆掉，建议先固定 RFECV 的step和min_features_to_select再搜其他参数
