不是對(duì)所有特征進(jìn)行遍歷，而是通過(guò)模型訓(xùn)練找出度量參數(shù)比較小的特征刪除

正確答案是：C: 遞歸特征消除法就是對(duì)所有特征進(jìn)行遍歷刪除不符合條件的，保留符合條件的。

專業(yè)分析：

遞歸特征消除法（Recursive Feature Elimination, RFE）是一種特征選擇方法，它通過(guò)遞歸地訓(xùn)練模型并消除特征來(lái)選擇最重要的特征。具體來(lái)說(shuō)，RFE的步驟如下：

1. 使用一個(gè)基模型（如線性回歸、支持向量機(jī)等）對(duì)所有特征進(jìn)行訓(xùn)練。
2. 根據(jù)模型的權(quán)重或系數(shù)，評(píng)估每個(gè)特征的重要性。
3. 刪除若干個(gè)最不重要的特征。
4. 使用剩下的特征重新訓(xùn)練模型。
5. 重復(fù)上述步驟，直到達(dá)到預(yù)定的特征數(shù)量或其他停止條件。

從上述過(guò)程可以看出，選項(xiàng)C的描述是錯(cuò)誤的，因?yàn)镽FE并不是簡(jiǎn)單地遍歷刪除不符合條件的特征，而是基于模型的權(quán)重或系數(shù)來(lái)評(píng)估和刪除特征。

其他選項(xiàng)的分析：
A: 遞歸消除特征法使用一個(gè)基模型來(lái)進(jìn)行多輪訓(xùn)練，每輪訓(xùn)練后，消除若干權(quán)值系數(shù)的特征，再基于新的特征集進(jìn)行下一輪訓(xùn)練。這是正確的描述，符合RFE的工作原理。

B: RFE的穩(wěn)定性很大程度上取決于迭代時(shí)底層用的哪種模型。這是正確的，因?yàn)椴煌幕Ｐ蛯?duì)特征重要性的評(píng)估方式不同，從而影響RFE的結(jié)果和穩(wěn)定性。

D: 如果在迭代時(shí)使用未正則化的LR模型，那么遞歸特征消除法也是不穩(wěn)定的。這是正確的，因?yàn)槲凑齽t化的線性回歸模型在面對(duì)多重共線性時(shí)可能會(huì)產(chǎn)生不穩(wěn)定的系數(shù)，從而影響RFE的穩(wěn)定性。

綜上所述，正確答案是C。