递归特征消除特征选择的基估计器和后边模型训练的模型必须一样吗？
可以是不同的。
首先使用基估计器对数据集进行特征排序，并选择排序靠前的特征。然后，将选择出来的特征用于训练模型，并计算模型的性能。如果性能达到预期，则停止特征选择过程，否则继续使用基估计器对剩余的特征进行排序，直到达到预设的特征数或者性能阈值。
基估计器用于对特征进行排序，而模型训练阶段则为了计算模型的性能。因此，基估计器和后续的模型训练模型可以不同。但需要注意的是，无论基估计器和后续的模型训练模型是什么，它们都应该具有相同的特征集合。这样可以确保选出的特征对后续模型的训练和预测有用。
在递归特征消除 (Recursive Feature Elimination, RFE) 特征选择方法中，基估计器用于评估每个特征的重要性，并根据重要性对特征进行排序和筛选。后续模型训练则是在筛选后的特征上进行的。
理论上来说，基估计器和后续模型训练的模型可以不必一样，但是通常情况下建议使用相同或相似的模型。这是因为不同的模型可能对特征的重要性有不同的判断标准，导致在特征选择阶段所选择的特征与最终训练模型所需的特征存在差异，可能会导致模型预测效果变差。
另外需要注意的是，在 RFE 中，基估计器的性能直接影响特征选择的结果，因此选择一个准确、鲁棒性好的基估计器非常重要。基估计器应该具有较高的分类/回归准确度，并且对噪声和冗余信息具有一定的抵抗力。
不知道你这个问题是否已经解决, 如果还没有解决的话:提示：
对于进行递归特征消除特征选择时，使用的基估计器和后续模型训练时必须相同的问题，回答如下：
在进行递归特征消除特征选择时，所使用的基估计器和后续模型训练时不必相同。基估计器是指特征选择过程中所使用的模型，比如可以选择线性回归、逻辑回归、支持向量机等模型来进行特征选择。而后续模型训练时，可以使用不同的模型来进行分类或回归等任务。当然，为了保证后续模型训练的准确性，我们需要根据实际情况选择合适的模型并进行相应的调参工作。
下面给出一个使用递归特征消除特征选择方法进行特征选择的示例代码：
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE
# 加载数据
boston = load_boston()
X = boston.data
y = boston.target
# 创建一个线性回归模型
lr = LinearRegression()
# 创建 RFE 特征选择器，设置基估计器为线性回归模型，选择输出前 5 个特征
rfe = RFE(lr, n_features_to_select=5)
# 对数据进行特征选择
rfe.fit(X, y)
# 输出特征选择结果
print("Selected Features: ")
for i in range(len(rfe.support_)):
if rfe.support_[i]:
print(boston.feature_names[i])
在上面的代码中，我们使用了 sklearn 库中的 RFE 类来进行递归特征消除特征选择，同时指定基估计器为线性回归模型，选择输出前 5 个特征。由于递归特征消除方法会反复训练模型，因此在执行过程中需要消耗一定的计算资源。当特征数量较大时，可以考虑使用并行计算来加速特征选择过程。