有時候，數據集中的某一個特征，方差非常小，非常接近，這樣導致的結果就是，沒有區分度，那么這個特征其實就不是一個好的特征，因此方差過濾的思想就是，找到那些有區分度的特征（方差大）
from sklearn.feature_selection import VarianceThreshold
X = VairanceThreshold().fit_transform(X) # VarianceThreshold 默認參數為0
X_var0
如果一個特征服從伯努利分布，也就是說，這個特征只有兩個類別。這個時候，也可以進行方差過濾，伯努利分布的方差計算公式為：\(\sigma = p(1-p)\), 其中\(p\)為莫一個類別的占比。
例如，一個特征\(x_1\)，其中一個類別數量為80，另外一個類別數量為20，這個時候，這個特征的方差為：
\(0.8(1-0.8)\) ， 在sklearn中，也可以直接使用方差過濾函數來對這類特征進行篩選。
X_bvar = VarianceThreshold(.8 * (1 - .8)).fit_transform(X)
X_bvar
方差過濾的目的主要是在維持算法表現的前提下，幫助算法刷選出更有分辨的特征，從而減輕計算成本，但是方差過濾不保證能夠實現預期效果，所以在實踐中，需要進行各種實驗，通過真實實驗效果去靈活的應用。