机器学习特征选择的三种方法

　　特征选择，这是一个在机器学习中非常重要的东西，那些好的特征可以从整体上来提升模型的性能，可以帮助我们更加清晰的理解真个数据的特点及底层结构，对于后面的模型，算法有着非常重要的作用。

　　备注：在很多情况下，特征选择并非必要的，业务特征的选择有很强烈的业务契合度在里面，代表着这些特征在业务中的重要性也是很高，如果去掉，很有可能会有一定的副作用，但是无法说清这个副作用，这个需要进入到训练中去训练数据来验证这个效果。

　　特征选择作用

　　这里有些同学可能是刚开始接触做特征选择，并不是很了解为什么要做特征选择，做了有什么作用？是否只是简单地减少特征？是否这样子做了，对结果有没有影响？

　　这里每个人都有自己的理解，小编根据自己的经验，总结有两个，参考一下：

　　1、减少特征的数量，降低维度，这样子可以在一定程度上加强模型的泛化能力，从而尽可能地减少过拟合，这里要注意一下：过拟合只能减少，无法消灭，好比这个世上，其实没有最优解的一样，拥有的只有不满足。

　　2、在一定程度上降低特征后，从直观上来看，很多时候可以一目了然看到特征与特征值之间的关联，这个场景，需要实际业务的支撑，生产上的业务数据更加明显，有兴趣的同学可以私信我加群，一起研究。

　　特征选择从何入手

　　这是一个非常重要的问题，有很多同学可能刚开始接触或者想往这方面发展，拿到了一组数组，很多时候就是直接拿了一个算法，直接做分类或者做回归或者做聚类，但是这样子正常情况下，数据会存在很多噪音（科普：噪音可以理解为一些垃圾数据，对我们的结果或者期望造成了干扰），这样子的数据不会很好。

　　那如果我要特征选择呢，又不知从何入手？

　　这里有两个方法，可以作为参考：

　　1、从业务范围分析，直接观察特征与业务的相关性，这点非常重要，那些对业务有着直接指标的数据，建议保留，否则，可以考虑手动删除掉。

　　2、从发散特性分析，这个很多同学毕业后，就忘了这个东西，简单用成语一个成语来理解一下：一成不变。如果这个特征满足这种条件，那证明不发散，其实在数学中，用方差来计算的，这种不发散的特征，基本就没有什么差异性了，例如某一项特征都是0，怎么有影响呢，这样子的特征其实就没什么用。

　　特征选择的三种方法

　　进行特征选择的时候，其实有一定的方法或者规律可言，总结起来有三个

　　1、过滤法：目前这是小编用的最普遍的方法，因为最简单，与业务契合度最高，操作过程就是我可以设定某一个阈值，然后根据数据的发散情况或者与业务是否相关来打分，一般都是当低于这个阈值的时候，就可以考虑过滤掉。

　　2、嵌入法：这个方法无法直接从字面来理解，但是其实也是很好的东西，小编把它叫做过滤法的进化版。如何理解这个进化版，原先我们采用过滤法的时候，很多时候是人肉直接撸一撸，但是这时候特征多呢，给你200个特征，然后我就可能瞎了或者手废掉了，此时的做法是此案用机器学习的算法或者模型来训练，然后可以得到各个特征的权重值，做个排序，干掉那些排序地的，例如树的特征选择，这些算法，后面会逐一介绍。

　　3、包装法：听这个名字，是不是也是很迷糊，其实这个也比较好理解，不断循环训练模型，进行目标函数的计算，一般我们是采用预测的效果来评分，逐一选择一定量的特征来做，不断循环，得到结果进行对比，这样就可以看到哪些特征不好。不过这个小编比较少用，计算上比较费时费力，后面的具体算法也会介绍到。