(12-5）基于趋势跟踪的期货交易策略：特征选择、建模

12.2.7  特征选择

选择最佳特征作为预测变量至关重要，因为它有助于消除数据中的冗余，减少过拟合的可能性，提高模型对未见数据的泛化能力。在下面的内容中，将使用Sklearn的SelectKBest执行一些单变量统计测试，以识别根据其k分数最相关的特征。另外，还使用小于5%的p值作为确定所选特征的统计显着性的阈值。

（1）使用Sklearn中的SelectKBest进行单变量统计测试，识别在k分数下最相关的特征。选择的阈值为5%以下的p值，以确定所选特征的统计显著性。

k_best = SelectKBest(score_func = f_classif,k = len(X_train.columns))

X_train_best = k_best.fit_transform(X_train, y_train)

X_test_best = k_best.transform(X_test)

feat_indices = k_best.get_support(indices = True)

feat_names = X_train.columns[feat_indices]

p_values = k_best.pvalues_

<