特征选择方法概括—过滤法、嵌入法、包装法

一、过滤法（Filter）

特点：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
过程：
目标对象：需要遍历特征或升维的算法。最近邻算法KNN，支持向量机SVM，决策树，神经网络，回归算法等遍历特征或升维运算，本身的运算量很大，需要的时间很长，因此特征选择很重要。随机森林不需要遍历特征，每次选的特征就很随机，并非用到所有的特征，所以特征选择作用不大。

思考：过滤法对随机森林无效，却对树模型有效？
解释：传统决策树需遍历所有特征，计算不纯度后分枝，而随机森林却是随机选择特征进行计算和分枝，因此随机森林的运算更快，过滤法对随机森林无用，对决策树有用。

二、嵌入法（Embedded）

特点：结合后续分类（或者回归）模型，根据评估结果进行选择每次遍历所有的特征（包括选择和未选择的）
过程：类似于Filter，只不过系数是通过训练得来的。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。设置的阈值threshold决定最后选择出的特征的个数，阈值threshold是个超参数，选取比较不易控。

注意：后续的评估器必须可以得到相关特征的权值系数，比如随机森林和树模型中的feature_importances，逻辑回归的l1和l2惩罚项，线性支持向量机的l2惩罚项等。

说明：此处的算法为分类（或者回归）的算法，如SVM，逻辑回归等。

三、包装法（Wrapper）

特点：结合后续分类（或者回归）模型，根据评估结果进行选择 每次遍历剩余所有未选择的特征
过程：特征选择和算法训练同时进行的方法，依赖于算法自身的选择，比如coef_属性或feature_importances_属性来完成特征选择。对于每一个待选的特征子集，都在训练集上训练一遍模型，然后在测试集上根据误差大小选择出特征子集。前提是要选好后续要用的分类（或者回归）算法，如Random Forest，SVM，kNN等等。

包装法与嵌入法的区别：包装法根据预测效果评分来选择，而嵌入法根据预测后的特征权重值系数来选择。

————————————————
版权声明：本文为CSDN博主「一弦-sring」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_42846157/article/details/106749951