# 过滤式特征选择法的原理 使用发散性或相关性指标对各个特征进行评分，选择分数大于阈值的特征或者选择前K个分数最大的特征。具体来说，计算每个特征的发散性，移除发散性小于阈值的特征/选择前k个分数最大的特征；计算每个特征与标签的相关性，移除相关性小于阈值的特征/选择前k个分数 ...

一、 背景 1) 问题 在机器学习的实际应用中，特征数量可能较多，其中可能存在不相关的特征，特征之间也可能存在相关性，容易导致如下的后果： 1. 特征个数越多，分析特征、训练模型所需的时间就越长，模型也会越复杂。 2. 特征个数越多，容易引起“维度灾难”，其推广能力会下 ...

原创博文，转载请注明出处！ 包裹式特征选择法的特征选择过程与学习器相关，使用学习器的性能作为特征选择的评价准则，选择最有利于学习器性能的特征子集。常用的包裹式特征选择法有递归特征消除法RFE。 # 递归特征消除法 递归特征消除法RFE 递归特征消除法的英文全名 ...

有时候，数据集中的某一个特征，方差非常小，非常接近，这样导致的结果就是，没有区分度，那么这个特征其实就不是一个好的特征，因此方差过滤的思想就是，找到那些有区分度的特征（方差大） 如果一个特征服从伯努利分布，也就是说，这个特征只有两个类别。这个时候，也可以进行方差过滤，伯努利分布的方差计算公式 ...

原创博文，转载请注明出处！ 嵌入式特征选择法使用机器学习模型进行特征选择。特征选择过程与学习器相关，特征选择过程与学习器训练过程融合，在学习器训练过程中自动进行特征选择。 通过L1正则化来选择特征 sklearn在feature_selection模块中集 ...

3.1 Filter过滤法过滤方法通常用作预处理步骤，特征选择完全独立于任何机器学习算法。它是根据各种统计检验中的分数以及相关性的各项指标来选择特征。 3.1.1 方差过滤3.1.1.1 VarianceThreshold 这是通过特征本身的方差来筛选特征的类。比如一个特征本身的方差很小 ...

3.2 Embedded嵌入法 嵌入法是一种让算法自己决定使用哪些特征的方法，即特征选择和算法训练同时进行。在使用嵌入法时，我们先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据权值系数从大到小选择特征。这些权值系数往往代表了特征对于模型的某种贡献或某种重要性，比如决策树和树 ...

一、关于特征选择 主要参考连接为：参考链接，里面有详细的特征选择内容。 介绍 特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant )的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方 ...