維基百科定義：
在機器學習和統計學中，特徵選擇（英語：feature selection）也被稱為變數選擇、屬性選擇或變數子集選擇。 它是指：為了構建模型而選擇相關特徵（即屬性、指標）子集的過程。
特徵選擇的目標是尋找最優特徵子集。特徵選擇能剔除不相關(irrelevant)或冗餘(redundant )的特徵，從而達到減少特徵個數，提高模型精確度，減少執行時間的目的。另一方面，選取出真正相關的特徵簡化模型，協助理解資料產生的過程。
特徵工程概述及特徵選擇常用方法的小整理
特徵選擇 嵌入式 embedded嵌入法 寫在前面 本文的特徵選擇的內容是對菜菜老師的機器學習課程 機器學習sklearn入門教程 資料預處理與特徵工程中的特徵選擇的內容進行的整理 特徵工程概述 坊間常說 資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已 了解特徵工程，其定義是利用...
特徵選擇 單變數特徵選擇
1.selectkbest可以依據相關性對特徵進行選擇，保留k個評分最高的特徵。方差分析 分類問題使用f classif，回歸問題使用f regression。f classif 分類任務 跟目標的分類，將樣本劃分成n個子集，s1,s2,sn，我們希望每個子集的均值 1，2，n不相等。我們假設h0 ...
特徵工程之特徵選擇
在前一篇文章中我介紹了一些資料預處理的方法，原始資料在經過預處理之後可以被演算法處理了，但是實際中可能有一些特徵是沒有必要的，比如在中國採集的一些資料，那麼國籍就都是中國，其實也就沒有意義了，反映在統計量上就是方差過小，也就是樣本在這個特徵上變化很小。還有一種情況是特徵和最後的結果相關性很小，也就是...