什么是特征選擇？在解決問題時，總會有許多不相關的東西摻雜其中，那我們就需要找尋他們的關鍵特征進行清晰建模。伴隨這一問題的還有大量數據問題，它們有時是多余的，或者不甚相關。特征選擇是這樣一個研究領域，它試圖通過算法完成重要特征的選取。

　　為什么不把全部特征直接丟進機器學習模型呢？

　　現實世界的問題并沒有開源數據集，其中更沒有與問題相關的信息。而特征選擇有助于你最大化特征相關性，同時降低非相關性，從而增加了構建較好模型的可能性，并減小模型的整體大小。

　　頂級的特征選擇方法

　　比如說我們要預測水上公園的票價走勢;為此我們決定查看天氣數據、冰淇淋銷量、咖啡銷量以及季節狀況。

　　從下表中我們可以看到，夏季的門票明顯比其他季節好賣，而冬季賣不出一張票。咖啡銷量整年中比較穩定，冰淇淋則一年之中都有銷量，但旺季是 6 月。

　　表 1：文中使用的各項虛構數據。

　　圖 1：各項虛構數據的圖示對比。

　　我們想要預測水上公園票價，但很可能不需要所有數據以得到最佳結果。數據存在 N 個維度，并且 K 數值會給出最佳結果。但是不同大小的子集之間存在大量的結合。

　　我們的目標是減少維度數量，同時不損失預測能力。讓我們退回一步，看看那些我們能使用的工具。

　　窮舉搜索

　　這項技術能 100% 保證找到最好的可能特征以建立模型。我們認為它非常可行，因為它將搜索所有可能的特征組合并找到返回模型最低點的組合。

　　在我們的例子中有 15 個可能的特征組合可供搜索。我使用公式 （2^n—1） 計算組合的數量。這個方法在特征數量較少的時候可行，但如果你有 3000 個特征就不可行了。

　　幸運的是，還有一個稍微好點的方法可用。

　　隨機特征選擇

　　大多數情形中，隨機特征選擇可以工作的很好。如果要將特征數減少 50%，只需隨機選擇其中 50% 的特征并刪除。

　　模型訓練完成之后，檢驗模型的性能，重復這個過程直到你滿意為止。遺憾的是，這仍然是個蠻力方法。

　　當需要處理一個很大的特征集，又不能削減規模的時候，該怎么辦？

　　最小冗余最大關聯特征選擇

　　將所有的想法整合起來就能得出我們的算法，即 mRMR 特征選擇。算法背后的考慮是，同時最小化特征的冗余并最大化特征的關聯。因此，我們需要計算冗余和關聯的方程：

　　讓我們用虛構的數據寫一個快速腳本來實現 mRMR：

　　我并沒有對結果抱有什么期待，冰淇淋的銷量看起來能很精確地對售票量建模，而氣溫不可以。在這個例子中，似乎只需要一個變量就可以精確地對售票量建模，但在實際的問題中肯定不是這樣的。